Validierung von Konzepten zur Messung des Marktrisikos

econstor
A Service of
zbw
Make Your Publications Visible.
Leibniz-Informationszentrum
Wirtschaft
Leibniz Information Centre
for Economics
Mehmke, Fabian; Cremers, Heinz; Packham, Natalie
Working Paper
Validierung von Konzepten zur Messung des
Marktrisikos: Insbesondere des Value at Risk und
des Expected Shortfall
Working Paper series, Frankfurt School of Finance & Management, No. 192
Provided in Cooperation with:
Frankfurt School of Finance and Management
Suggested Citation: Mehmke, Fabian; Cremers, Heinz; Packham, Natalie (2012) : Validierung
von Konzepten zur Messung des Marktrisikos: Insbesondere des Value at Risk und des
Expected Shortfall, Working Paper series, Frankfurt School of Finance & Management, No. 192
This Version is available at:
http://hdl.handle.net/10419/60503
Standard-Nutzungsbedingungen:
Terms of use:
Die Dokumente auf EconStor dürfen zu eigenen wissenschaftlichen
Zwecken und zum Privatgebrauch gespeichert und kopiert werden.
Documents in EconStor may be saved and copied for your
personal and scholarly purposes.
Sie dürfen die Dokumente nicht für öffentliche oder kommerzielle
Zwecke vervielfältigen, öffentlich ausstellen, öffentlich zugänglich
machen, vertreiben oder anderweitig nutzen.
You are not to copy documents for public or commercial
purposes, to exhibit the documents publicly, to make them
publicly available on the internet, or to distribute or otherwise
use the documents in public.
Sofern die Verfasser die Dokumente unter Open-Content-Lizenzen
(insbesondere CC-Lizenzen) zur Verfügung gestellt haben sollten,
gelten abweichend von diesen Nutzungsbedingungen die in der dort
genannten Lizenz gewährten Nutzungsrechte.
www.econstor.eu
If the documents have been made available under an Open
Content Licence (especially Creative Commons Licences), you
may exercise further usage rights as specified in the indicated
licence.
Frankfurt School - Working Paper Series
No. 192
Validierung von Konzepten zur Messung des
Marktrisikos - insbesondere des Value at
Risk und des Expected Shortfall
by Fabian Mehmke, Heinz Cremers, Natalie Packham
June 2012
Sonnemannstr. 9-11 60314 Frankfurt am Main, Germany
Phone: +49 (0)69 154 008 0 Fax: +49 (0)69 154 008 728
Internet: www.frankfurt-school.de
Abstract
Market risk management is one of the key factors to success in managing financial
institutions. Underestimated risk can have desastrous consequences for individual
companies and even whole economies, not least as could be seen during the recent
crises. Overestimated risk, on the other side, may have negative effects on a company’s capital requirements. Companies as well as national authorities thus have
a strong interest in developing market risk models that correctly quantify certain
key figures such as Value at Risk or Expected Shortfall.
This paper presents several state of the art methods to evaluate the adequacy of
almost any given market risk model. Existing models are enhanced by in-depth analysis and simulations of statistical properties revealing some previously unknown
effects, most notably inconsistent behaviour of alpha and beta errors. Furthermore,
some new market risk validation models are introduced. In the end, a simulation
with various market patterns demonstrates strenghts and weaknesses of each of
the models presented under realistic conditions.
Key words: Backtesting, Market Risk, Value at Risk, Expected Shortfall, Validation, Alpha Error, Beta Error, Time Until First Failure, Proportion of Failure, Traffic Light Approach, Magnitude of Loss Function, Markow-Test, Gauss-Test, Rosenblatt, Kuiper, Kolmogorov-Smirnov, Jarque-Bera, Regression, Likelihood Ratio,
Truncated Distribution, Censored Distribution, Simulation
JEL classification: C01, C02, C12, C13, C14, C15, C32, G32, G38
ISSN: 14369753
Contact:
Fabian Mehmke
Bergweg 1
61440 Oberursel
[email protected]
Prof. Dr. Heinz Cremers
Centre for Practical Quantitative Finance
Frankfurt School of Finance & Management
Sonnemannstraße 9-11
60314 Frankfurt am Main
[email protected]
Prof. Dr. Natalie Packham
Centre for Practical Quantitative Finance
Frankfurt School of Finance & Management
Sonnemannstraße 9-11
60314 Frankfurt am Main
[email protected]
1
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Inhaltsverzeichnis
1. Einleitung
4
2. Validierung von Marktrisikomodellen
2.1. Statistische Verfahren und Testtheorie . . . . . . . . . . . . . . . .
2.1.1. Maximum Likelihood-Parameterschätzung . . . . . . . . . .
2.1.2. Hypothesentests . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.3. Likelihood-Quotienten-Tests . . . . . . . . . . . . . . . . . .
2.1.4. α- und β-Fehler sowie statistische Macht . . . . . . . . . . .
2.2. Prognose von Risiken . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.1. Risikomanagement & Marktrisikomodelle . . . . . . . . . . .
2.2.2. Vorhersage von Wahrscheinlichkeitsverteilungen . . . . . . .
2.2.3. Value at Risk . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.4. Überschreitungsfunktion . . . . . . . . . . . . . . . . . . . .
2.2.5. Expected Shortfall . . . . . . . . . . . . . . . . . . . . . . .
2.2.6. Regulatorische Auswirkungen der Risikoprognose . . . . . .
2.2.7. Überprüfung der Modelle . . . . . . . . . . . . . . . . . . . .
2.3. Validierung basierend auf Überschreitungen . . . . . . . . . . . . .
2.3.1. Time Until First Failure . . . . . . . . . . . . . . . . . . . .
2.3.2. Proportion of Failure . . . . . . . . . . . . . . . . . . . . . .
2.3.3. Baseler Ampelansatz / Traffic Light Approach . . . . . . . .
2.3.4. Magnitude of Loss Function . . . . . . . . . . . . . . . . . .
2.3.5. Markow-Test auf Unabhängigkeit . . . . . . . . . . . . . . .
2.4. Validierung basierend auf der gesamten Verteilung . . . . . . . . . .
2.4.1. Rosenblatt-Transformation zur Gleichverteilung . . . . . . .
2.4.2. CD-Verfahren: Kuiper-Statistik mit Worry Function . . . . .
2.4.3. Kolmogorov-Smirnov-Test mit Worry Function . . . . . . . .
2.4.4. Wahrscheinlichkeitsintegral zur Transformation in eine Normalverteilung . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4.5. Jarque-Bera-Test auf Normalverteilung . . . . . . . . . . . .
2.4.6. Regression auf Mittelwert, Varianz und Autokorrelation . . .
2.4.7. Fazit zu ganzheitlichen Validierungsmodellen . . . . . . . . .
2.5. Validierung basierend auf einem Teilbereich der Verteilung . . . . .
2.5.1. Gestutzter Likelihood-Quotienten-Test . . . . . . . . . . . .
Frankfurt School of Finance & Management
Working Paper No. 192
6
6
6
8
11
13
18
18
18
21
22
23
23
24
26
26
37
43
47
49
56
56
58
62
65
68
70
74
76
76
2
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
2.5.2. Gauss-Test des Expected Shortfall bei gestutzter Verteilung 79
2.5.3. Sattelpunktapproximation mittels Lugannani Rice-Formel zum
Überprüfen des Expected Shortfall . . . . . . . . . . . . . . 82
3. Simulation
3.1. Korrekt spezifiziertes Risikomodell . . . . . . . . . . . . .
3.2. Risikomodell mit rollierenden Varianzen . . . . . . . . . .
3.3. Risikomodell mit exponentiell geglätteten Varianzen . . . .
3.4. GARCH-Risikomodell . . . . . . . . . . . . . . . . . . . .
3.5. Konstante Risikounterschätzung . . . . . . . . . . . . . . .
3.6. Korrekter Value at Risk, unterschätzter Expected Shortfall
3.7. Zusammenfassung der Simulationsergebnisse . . . . . . . .
4. Fazit
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
85
86
90
91
92
93
94
96
98
Literaturverzeichnis
100
Nomenklatur
102
A. Anhang
107
A.1. Tabellen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
3
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
1. Einleitung
Zahlreiche Finanzinstitute sind einem beträchtlichen finanziellen Risiko durch Veränderung von Marktpreisen ausgesetzt. Aus diesem Grund wurde es immer bedeutender, daraus resultierende potentielle Folgen möglichst präzise vorhersagen zu
können. Zur konkreten Quantifizierung derartiger Risiken setzten sich in der Praxis
vorrangig zwei Kennzahlen durch: Der Value at Risk sowie der Expected Shortfall.
Ersterer soll dabei eine Aussage über eine Verlustgrenze treffen, die höchstens mit
einer bestimmten, geringen Wahrscheinlichkeit - meist 1% oder 5% - überschritten wird. Der Expected Shortfall hingegen soll den erwarteten Verlust unter der
Bedingung, dass der Value at Risk überschritten wird, angeben.
Beide Kennzahlen sind allerdings nur Kondensationen eines ganzheitlichen Risikomodells, welches nach unterschiedlichsten Annahmen und Kriterien strukturiert
werden kann. Je nach Art und konkreter Anwendung verschiedener Modelle können
dabei stark unterschiedliche Werte für Risikokenngrößen ermittelt werden.
Eine bedeutende Aufgabe ist es deshalb, Marktrisikomodelle auf ihre Güte zu überprüfen. Es muss festgestellt werden können, ob ein Modell verlässliche Aussagen
über das reale Marktrisiko trifft. Dieser Aspekt wird im Folgenden den Schwerpunkt unserer Arbeit darstellen: Wir werden Verfahren beschreiben und entwickeln, die Marktrisikomodelle anhand ihrer Prognosequalität beurteilen können.
Im ersten Abschnitt des folgenden Kapitels werden wir dabei zuerst auf einige
Grundlagen aus der Statistik eingehen, welche eine zentrale Rolle im Rest dieser
Arbeit einnehmen werden. Anschließend werden wir detaillierter auf die Fragen
eingehen, in welchem Zusammenhang Marktrisikomodelle zum allgemeinen Risikomanagement stehen, wie Marktrisikomanagement in der Praxis durchgeführt
wird und welche Resultate es liefert.
In Abschnitt 2.3 werden wir schließlich erste Verfahren zur Validierung von Marktrisikomodellen betrachten. Dabei wird vor allem die Frage, ob der Value at Risk
korrekt modelliert wird, im Vordergrund stehen. Mit der Magnitude of Loss Function kommen wir dabei im Abschnitt auch auf ein Verfahren zu sprechen, das in
der Literatur bislang wenig Beachtung fand.
Anschließend werden wir Verfahren betrachten, die sich von dem reinen Fokus auf
bestimmte Kennzahlen lösen und Marktrisikomodelle in ganzheitlichen Ansätzen
Frankfurt School of Finance & Management
Working Paper No. 192
4
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
validieren. Vorweggenommen sei an dieser Stelle, dass damit jedoch automatisch
auch die Prüfung auf Korrektheit des Value at Risk und des Expected Shortfall mit
inbegriffen ist, wenngleich auch nicht mehr als einziges Kriterium. Im Rahmen des
Kolmogorov-Smirnov-Tests mit Worry Function kommen wir dabei auf ein bislang
noch nicht näher erforschtes Verfahren zu sprechen.
Danach werden wir auf Konzepte eingehen, welche ganz bestimmte Teilbereiche eines Risikomodells überprüfen. Damit wird es vor allem möglich sein, Spektralmaße
wie den Expected Shortfall zu testen. Mit dem gestutzten Likelihood-QuotientenTest modifizieren wir dabei ein bekanntes Verfahren. Mit dem Gauss-Test des
Expected Shortfall bei gestutzter Verteilung führen wir ein gänzlich neues Testverfahren ein.
Zuletzt werden wir die bis dahin entwickelten theoretischen Verfahren in einer umfangreichen Simulation auf statistische Eigenschaften überprüfen, um die Qualität
der einzelnen Testverfahren beurteilen zu können. Ein anschließendes Fazit wird
die im Laufe dieser Arbeit gewonnenen Erkenntnisse abschließend zusammenfassen.
5
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
2. Validierung von Marktrisikomodellen
2.1. Statistische Verfahren und Testtheorie
Im Folgenden werden wir auf einige statistische Verfahren eingehen, die eine wichtige Basis für den weiteren Verlauf dieser Arbeit darstellen und unverzichtbar für
jedes der später dargelegten Validierungskonzepte sein werden:
1. Die Schätzung unbekannter Verteilungsparameter
2. Hypothesentests zum Überprüfen bestimmter Aussagen, etwa Aussagen über
die geschätzten Parameter
3. Likelihood-Quotienten-Tests als spezielle Form eines Hypothesentests
4. Fehler, die im Rahmen von Hypothesentests begangen werden können
2.1.1. Maximum Likelihood-Parameterschätzung
Die Maximum Likelihood-Parameterschätzung dient, wie auch schon von Ruppert
(2010) erläutert, zur Schätzung unbekannter Verteilungsparameter. Die Frage im
Rahmen des Maximum Likelihood-Verfahrens ist: Wie sollten unbekannte Parameter gewählt werden um die Wahrscheinlichkeit zu maximieren, eine konkrete
Stichprobe aus der spezifizierten Verteilungsform zu realisieren.
Ausgangspunkt ist eine Zufallsvariable mit Dichtefunktion, welche von einem Parametervektor θ mit in der Regel einem oder mehreren unbekannten Komponenten
abhängt.
Beispielsweise könnte eine Zufallsvariable X vorliegen, von welcher wir wissen,
dass sie normalverteilt mit bekannter Varianz 1, jedoch unbekanntem Parameter
ϑ für den Erwartungswert ist. Dann ist θ = (ϑ, 1) , X ∼ N (ϑ, 1). Wir wollen nun
basierend auf einer Stichprobe ermitteln, was der wahrscheinlichste Wert für ϑ
ist.
Frankfurt School of Finance & Management
Working Paper No. 192
6
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Technisch gesehen liefert die Dichtefunktion einer kontinuierlich verteilten Zufallsvariable an einer einzigen Stelle keine sinnvoll interpretierbare Aussage über Wahrscheinlichkeiten, da im Kontinuierlichen die Wahrscheinlichkeit für den Erhalt irgendeines bestimmten Wertes stets exakt 0 ist. Eine konkrete Wahrscheinlichkeit
erhält man lediglich durch Integration der Dichtefunktion auf einem bestimmten
Intervall.
Die hier betrachteten stetigen Dichtefunktionen stehen dennoch in enger Verbindung zu den Wahrscheinlichkeiten. Nicht ganz präzise könnte man interpretieren:
Je höher das Ergebnis der Dichtefunktion an einer bestimmten Stelle x ist, desto
höher ist die Wahrscheinlichkeit, eine Realisation der Zufallsvariable zu erhalten,
die ungefähr x entspricht. Wir werden zur Lesbarkeit im Folgenden auf diese präzise Unterscheidung verzichten, sprechen implizit jedoch stets vom hier erwähnten
Zusammenhang.
Um auf unser Beispiel zurückzukommen: Wir wissen, dass die Dichtefunktion einer
Normalverteilung ihr globales Maximum an der Stelle ihres Erwartungswerts hat.
Eine Standardnormalverteilung hat also ihr Maximum an der Stelle 0, eine N (1, 1)Verteilung an der Stelle 1 usw.
Nehmen wir an, wir beobachten nur eine Realisation x1 = 2 unserer Zufallsvariablen X. Unser Ziel ist es nach wie vor, den Parameter ϑ zu finden, für den der
Erhalt unserer Stichprobe - hier also nur des Werts x1 = 2 - am wahrscheinlichsten
ist. Dies können wir ganz intuitiv lösen: Wir wissen, dass die Dichtefunktion einer
N (2, 1)-Verteilung ihr globales Maximum an der Stelle 2 hat. Bei dieser speziellen
Verteilung wäre es also am wahrscheinlichsten, den Wert 2 zu erhalten. Wir wissen auch, dass jede andere Dichtefunktion N (ϑ, 1) , ϑ ∈ R\{2} ihr Maximum an
einer anderen Stelle hat und somit die Wahrscheinlichkeit, aus irgendeiner anderen
der angegebenen Normalverteilungen den Wert 2 zu erhalten, kleiner als bei der
N (2, 1)-Verteilung ist.
Dann haben wir unsere Fragestellung bereits gelöst: Die Verteilung, die mit höchster Wahrscheinlichkeit für die Generierung unserer Stichprobe verantwortlich ist,
ist die N (2, 1)-Verteilung.
Die Maximum Likelihood-Parameterschätzung erfolgt immer nach dem hier vorgestellten Prinzip. Wir suchen stets die Verteilung, die die größte Wahrscheinlichkeit
für die Generierung einer konkreten Stichprobe liefert. Natürlich muss dieses Verfahren für realitätsnähere Einsatszwecke formalisiert werden.
Wir definieren die allgemeine Dichtefunktion mit f (x1 , . . . , xN ; θ), wobei
x1 , . . . , xN die Realisationen einer Folge unabhängiger Wiederholungen der Zufallsvariable darstellen und θ wie gehabt der Parametervektor ist.
7
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Wir definieren des Weiteren die Likelihoodfunktion L, welche die Wahrscheinlichkeit für den Erhalt der gesamten Stichprobe in Abhängigkeit vom Parametervektor
θ angibt:
L (θ) = f (x1 , . . . , xN ; θ) =
N
Y
fXn (xn ; θ)
n=1
Wir wollen also das θ finden, für das die Likelihood-Funktion am größten wird.
Dies erreichen wir, indem wir die Funktion ableiten, gleich Null setzen und entsprechend nach den unbekannten Parametern auflösen. Das Ableiten stellt sich für
große Produkte jedoch als relativ umständlich heraus. Aus diesem Grund ist es
meist sinnvoll, die Likelihood-Funktion vorher zu logarithmieren. Da der ln eine
monotone Funktion ist, verändert er nicht die Lage der Maximalstellen.
Die so erhaltenen Maximum Likelihood-Schätzer haben hervorragende Eigenschaften. Sie sind konsistent, d.h. konvergieren gegen den unbekannten Parameter und
sind so asymptotisch erwartungstreu. Zudem sind sie effizient, d.h. es gibt keinen
anderen Schätzer mit vergleichbaren Eigenschaften, der eine asymptotisch kleinere Varianz aufweist. Auch ist es möglich, Hypothesentests mit ML-Schätzern zu
konstruieren, da ihre Verteilung gegen eine Normalverteilung konvergiert.
2.1.2. Hypothesentests
Die Grundlage eines jeden Hypothesentests sind zwei konkurrierende Hypothesen. Man unterscheidet bei Hypothesentests zwischen parametrischen und nichtparametrischen Testverfahren.
Parametrische Tests sind solche, bei denen Aussagen über einen unbekannten Parameter einer gegebenen Verteilung getestet werden können. Wir führten
im vorherigen Abschnitt eine normalverteilten Zufallsvariable mit unbekanntem
Erwartungswert ein, X ∼ N (ϑ, 1). Nehmen wir an, wir treffen die Vermutung,
dass der Erwartungswert eigentlich Null entsprechen müsste - wir können uns aber
nicht sicher sein, ob dies auch wirklich stimmt. Also wollen wir zwei konkurrierende
Hypothesen testen:
H0 : θ = (0, 1) gegen H1 : θ = (ϑ, 1) , ϑ 6= 0
Wir testen also ganz konkrete numerische Werte für die Parameter. Auch wenn
in diesem Beispiel nur ein Parameter, der Erwartungswert, variabel ist wurden im
Beispiel die Hypothesen explizit in Abhängigkeit des gesamten Parametervektors
Frankfurt School of Finance & Management
Working Paper No. 192
8
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
inklusive der hier konstanten Varianz gewählt. Dies soll unterstreichen, dass parametrische Tests keineswegs auf nur einen einzigen Parameter beschränkt sind.
Man kann simultan beliebige Parameterkombinationen testen.
Die Hypothesen können dabei weitestgehend beliebig aufgebaut sein. Wir könnten
in der Nullhypothese auch über verschiedene Parameterintervalle testen. Zudem
muss die Alternative nicht auf Ungleichheit testen, sondern kann auch prüfen,
ob die Parameter alternativ einen ganz konkreten Wert haben, kleiner als ein
bestimmter Wert oder größer als ein bestimmter Wert sind. Wichtig ist jedoch,
dass darauf geachtet werden sollte, dass stets eine der beiden Hypothesen wahr
ist. Allgemeiner können wir also eine Hypothese wie folgt formulieren:
H0 : θ ∈ Θ0 gegen H1 : θ ∈ Θ1
Θ0 ∪ Θ1 = Θ
Nicht-parametrische Tests sind solche, bei denen wir nicht direkt numerische
Parameter testen können. Wir haben im vorherigen Beispiel das Wissen vorausgesetzt, dass die Zufallsvariable X normalverteilt ist und nur den Mittelwert der
Normalverteilung als unbekannt angenommen. Doch in der Realität können wir
uns in den seltensten Fällen wirklich sicher sein, dass die Daten auch wirklich einer bekannten Verteilung entstammen. Könnte es im obigen Beispiel nicht etwa
genauso gut sein, dass X t-Verteilt ist? In dem Fall würde der oben präsentierte Hypothesentest trügerisch sein, da unter Umständen die Daten einer t-Verteilung den
gleichen Mittelwert und die gleiche Varianz wie normalverteilte Daten aufweisen
könnten.
Speziell die Verteilungsform ist aber kein einfach quantifizierbarer Zusammenhang.
Wir können strikt gesehen niemals wirklich testen, ob X tatsächlich normalverteilt
ist oder nicht. Wir können uns allerdings sehr wohl quantifizierbare Zusammenhänge zu Nutze machen. Wie wir später sehen werden, könnten wir beispielsweise
testen, ob unsere Schätzung für Schiefe und Wölbung mit einer Normalverteilung
vereinbar sind - dieser quantifizierte Zusammenhang wäre nun wieder überprüfbar.
Doch genau betrachtet testen wir nun nicht mehr unsere wirkliche Hypothesen,
sondern völlig neue Hypothesen, von denen wir vermuten, dass sie uns zumindest
Indizien für die Beantwortung unserer ursprünglichen Problemstellung liefern.
Der eigentliche Ablauf eines Hypothesentests lässt sich wie folgt darstellen:
9
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
1. Testproblem
Im Verlauf dieser Arbeit werden wir stets Hypothesentests der folgenden Form
verwenden:
H0 : θ ∈ Θ0 gegen H1 : θ ∈ Θ1
dabei gilt für unsere Zwecke stets Θ0 ⊂ Rn , Θ1 = Rn \Θ0 , wobei n hier die Dimension des Parametervektors θ bezeichnet. Θ sei im Folgenden der gesamte Parameterraum, Θ = Θ0 ∪ Θ1 = Rn .
Wir testen in dieser Arbeit stets zweiseitig, wobei die Nullhypothese eine einfache
und die Alternativhypothese eine zusammengesetzte Hypothese ist.
2. Testfunktion
Zum Überprüfen der im ersten Schritt aufgestellten Hypothesen benötigen wir
nun eine Testfunktion, die uns anhand der für das Testproblem relevanten Daten
einen überprüfbaren Wert liefert. In der Praxis bedeutet dies meist, dass man
anhand aller Realisationen der relevanten Zufallsvariable(n) einen einzigen Wert
berechnet, welcher einen Bezug zu unserem Testproblem hat. Bei einer suffizienten
Testfunktion sollte die Komprimierung der komplexen Stichprobe auf eine Zahl
dabei möglichst keinen Informationsverlust haben.
Für unsere Zwecke genügt folgende Definition der Testfunktion T :
T : Rn → R
3. Ablehnungsbereich
Der Wert der Testfunktion alleine hilft uns bislang noch nicht weiter, denn wir
wissen noch nicht, für welche Werte die Nullhypothese abgelehnt werden muss und
für welche Werte sie nicht verworfen werden kann.
Dazu definieren wir nun mit X = (X1 , . . . , XN )T einen Ablehnungsbereich A,
A⊂R
sup P (T (X) ∈ A|θ) = α
θ∈Θ0
Frankfurt School of Finance & Management
Working Paper No. 192
10
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Die Wahrscheinlichkeit, dass die Testfunktion für eine richtige Hypothese in den
Ablehnungsbereich fällt darf also nur α betragen. In der Regel kann α frei gewählt
werden.
4. Entscheidungsregel
Basierend auf den ersten drei Schritten kann man nun eine Regel aufstellen, wann
die Nullhypothese verworfen werden muss, und wann sie nicht abgelehnt werden
kann.
Wir werden stets ablehnen, wenn die Testfunktion in den Ablehnungsbereich fällt,
ansonsten werden wir die Nullhypothese nicht ablehnen:
Ablehnung für T (x) ∈ A
Nicht-Ablehnung für T (x) ∈
6 A
Anzumerken ist, dass eine Nicht-Ablehnung der Nullhypothese keiner expliziten
Annahme derselbigen darstellt. Der Grund hierfür liegt in der Asymmetrie der
Signifikanztests, auf welche wir im Abschnitt 2.1.4 genauer eingehen werden.
2.1.3. Likelihood-Quotienten-Tests
Ein Verfahren, welches oft zur Bestimmung der Testfunktion zum Einsatz kommt,
ist das sogenannte allgemeine Likelihood-Quotienten Testverfahren. Die Testfunktion ist hierbei ein Quotient aus dem Maximum der Likelihood-Funktion unter
Einschränkung der Parameter auf die Bereiche der Nullhypothese zu dem maximalen Wert der uneingeschränkten Likelihood-Funktion,
λ (x) =
supθ∈Θ0 L (x; θ)
supθ∈Θ L (x; θ)
λ (x) kann hierbei offensichtlich einen Wert zwischen 0 und 1 inklusive annehmen.
Je näher der Wert bei 1 liegt, desto eher kann man davon ausgehen, dass die Daten
in x von einer Verteilung erzeugt wurden, deren Parameter mit der Nullhypothese
in Einklang gebracht werden können.
Aus diesem allgemeinen Quotienten lassen sich nahezu alle gängigen Testverfahren
herleiten. So kann beispielsweise auch der sicherlich bekannteste und verbreitetste Test, der Gauss-Test, über einen allgemeinen Likelihood-Quotienten bestimmt
werden.
11
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
In vielen Fällen kann jedoch nicht ohne weiteres eine einfache Verteilung für den
Likelihood-Quotienten gefunden werden. Wir werden daher insbesondere an einer
Transformation der Testfunktion interessiert sein, deren Verteilung unter bestimmten Annahmen zumindest asymptotisch bekannt ist:
supθ∈Θ0 L (x; θ)
Λ (x) = −2 ln
supθ∈Θ L (x; θ)
Um die Verteilung für Λ (x) zu bestimmen werden wir uns eines Theorems bedienen, welches von Suhov & Kelbert (2005) beschrieben wird:
Wilks Theorem Seien die Realisationen der Stichprobe x = (x1 , . . . , xN )T i.i.d
mit Dichtefunktion f (·; θ) , θ ∈ Θ. Sei Θ eine offene Menge im euklidischen Raum
der Dimension |Θ| und der Maximum-Likelihood-Schätzer θ̂ des Parametervektors
eine asymptotisch normalverteilte Zufallsvariable für N → ∞. Sei Θ0 ⊂ Θ, sodass
Θ0 ebenfalls eine offene Menge im euklidischen Raum der Dimension |Θ0 | < |Θ|
ist. Dann gilt unter H0 , dass
Z ∞
∀θ ∈ Θ0 , h > 0 : lim Pθ (Λ (x) > h) =
fχ2d (x) dx
N →∞
h
mit d = |Θ| − |Θ0 |
Die Teststatistik Λ ist dann also χ2 -verteilt mit Freiheitsgrad d. Gemäß Suhov &
Kelbert (2005) existiert eine weitere Variante des Theorems, welche für unabhängige, aber nicht notwendigerweise identisch verteilte Zufallsvariablen gilt. Für den
recht technischen Beweis des Theorems verweisen wir auf van der Vaart (2000),
welcher auch die wesentlichen Restriktionen nochmals zusammenfasst:
1. Die Dichtefunktion muss differenzierbar in θ sein, da der Maximum
Likelihood-Schätzer ermittelt werden muss.
2. Θ0 und Θ müssen lineare Räume sein - dies entspricht einer anderen Form
der Bedingung der Offenheit.
Für unsere Zwecke stellen diese beiden Bedingungen keine Einschränkungen dar,
da Θ und Θ0 in unseren Hypothesentests stets lineare Mengen sein werden und,
wie sich herausstellen wird, jede Dichtefunktion, welche wir betrachten werden,
differenzierbar in θ sein wird.
Als größerer Kritikpunkt ist jedoch vorab zu nennen, dass Wilks Theorem nur
asymptotisch gilt. Wir testen oft jedoch nur in vergleichsweise kleinen Stichproben.
Frankfurt School of Finance & Management
Working Paper No. 192
12
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Dies ist leider ein übliches Problem in der Statistik, da die meisten Verfahren nur
asymptotisch Gültigkeit aufweisen. Wir sollten uns jedoch durch diese Kritik umso
mehr bewusst sein, dass Stichproben in der Regel möglichst groß gewählt werden
sollten. Zudem müssen wir explizit auf Unabhängigkeit in den Daten achten - dafür
werden wir jedoch separate Testverfahren vorstellen.
2.1.4. α- und β-Fehler sowie statistische Macht
Ein Hypothesentest führt immer zu einer von zwei möglichen Entscheidungen:
Entweder, wir verwerfen die Nullhypothese, oder wir verwerfen sie nicht. Auch
wenn wir es meist nicht explizit wissen können, aber je nachdem, ob die Hypothese
in der Realität zutrifft oder nicht, entscheiden wir uns dabei entweder richtig, oder
wir begehen einen Fehler.
Dieses Entscheidungsmuster lässt sich gut anhand einer Tabelle zeigen:
Nicht-Ablehnung von
H0
Ablehnung von H0
H0 korrekt
Korrekte Entscheidung
mit Wahrscheinlichkeit
1−α
Fehler 1. Art mit Wahrscheinlichkeit α
H1 korrekt
Fehler 2. Art mit Wahrscheinlichkeit β
Korrekte Entscheidung
mit Wahrscheinlichkeit
1 − β (“statistische
Macht”)
Die Spalten sind dabei getrennt voneinander zu betrachten - es ist zwar immer
wahr, dass H0 oder H1 korrekt ist, wir werden in der Praxis aber niemals wissen,
welche der beiden Möglichkeiten tatsächlich zutrifft. Die Felder geben entsprechende Resultate und Wahrscheinlichkeiten an unter der unbekannten Tatsache
des Zutreffens einer dieser beiden Möglichkeiten.
Fehler 1. Art
Wenn die Nullhypothese in Realität korrekt ist und wir sie basierend auf unserem
Hypothesentest tatsächlich nicht ablehnen, dann haben wir die korrekte Entscheidung getroffen. Unter der Bedingung, dass H0 korrekt ist, passiert dies mit einer
Wahrscheinlichkeit von 1−α. Sollten wir die Hypothese basierend auf unserem Test
verwerfen, so treffen wir die falsche Entscheidung mit einer Wahrscheinlichkeit von
α unter der Bedingung dass H0 korrekt ist.
13
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Bei einem guten Hypothesentest können wir α präzise selbst festlegen. Dies geht
schon aus der Definition des Ablehnungsbereichs in Abschnitt 2.1.2 hervor. In
der Praxis dieser Arbeit werden wir teils das Problem haben, dass bestimmte
Testverfahren nur asymptotisch gelten. Insbesondere gilt diese Einschränkung bei
Likelihood-Quotienten-Tests. In vergleichsweise kleinen Stichproben treten hier
Ungenauigkeiten auf.
Eine dieser möglichen Ungenauigkeiten ist, dass ein Hypothesentest ein vorgegebenes α-Niveau über- oder unterschreitet. Wenn also in der Theorie korrekte
Hypothesen nur in α Prozent aller Fälle abgelehnt werden sollten, so kann es in
der Praxis durchaus passieren, dass korrekte Hypothesen wesentlich häufiger oder
wesentlich seltener abgelehnt werden.
Dies ist tatsächlich ein erhebliches Problem. Eines der Grundprinzipien von Hypothesentests ist, dass man Nullhypothesen gegebenenfalls signifikant ablehnen
kann. Dies ist genau deshalb der Fall, weil man sich in der Regel präzise seiner
Fehlerwahrscheinlichkeit bei dieser spezifischen Entscheidung bewusst ist. Ist die
Nullhypothese nämlich wahr, obwohl man sie ablehnt, befindet man sich in der
Tabelle im Bereich “H0 korrekt, Ablehnung von H0 ”. Die Wahrscheinlichkeit dafür
ist aber genau α. Wenn nun aber das Testverfahren nur asymptotisch gilt und der
tatsächliche α-Wert von seinem theoretisch festgelegten Wert abweicht, so sind wir
uns letztlich nicht mehr unserer Fehlerwahrscheinlichkeit bewusst.
Leider lässt sich dieses Problem nicht ohne Weiteres beheben, denn auch in kleinen Stichproben ideale Testverfahren lassen sich meist nicht finden. Wir werden
bei diversen Simulationen genauer die Auswirkungen des Phänomens betrachten.
In der Praxis sollte dieser Aspekt eine Rolle bei der Wahl eines geeigneten Validierungskonzeptes spielen.
Fehler 2. Art und statistische Macht
Angenommen wir befinden uns nun in der Situation, dass H1 in der Realität korrekt
ist. Da wir dies nicht wissen, kann unser Hypothesentest nach wie vor zu einer
Nicht-Ablehnung von H0 oder zu einer Ablehnung von H0 , also einer Annahme
von H1 , führen.
Auch hierbei können zwei Situationen entstehen: Lehnen wir H0 nicht ab, so entscheiden wir uns falsch. Dies passiert mit der bedingten Wahrscheinlichkeit β.
Lehnen wir H0 hingegen ab, so entscheiden wir uns mit einer bedingten Wahrscheinlichkeit in Höhe von 1 − β richtig.
Frankfurt School of Finance & Management
Working Paper No. 192
14
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Ein zentraler Begriff in der Statistik ist dabei die “statistische Macht”. Dies ist
nichts anderes als die Wahrscheinlichkeit 1 − β. Die Macht sagt also letztlich aus,
wie oft wir uns - gegeben die unbekannte reale Tatsache H1 ist korrekt - auch
tatsächlich für eine Ablehnung von H0 entscheiden. Bei Parametertests lässt sich
dies wie folgt ausdrücken:
P (T ∈ A|θ ∈ Θ1 ) = 1 − β
Perfekt sind dementsprechend natürlich Testverfahren, die eine hohe Macht aufweisen, denn sie minimieren den Fehler 2. Art.
Oft wird zur Analyse der Macht die sogenannte “Gütefunktion”, im Folgenden
mit G (·) bezeichnet, herangezogen. Sie gibt in Abhängigkeit des wahren, aber
unbekannten Parametervektors θ die Wahrscheinlichkeit an, dass eine Stichprobe
X1 , . . . , XN in den Ablehnungsbereich des Hypothesentests fällt:
G (θ) = Pθ ((X1 , . . . , XN ) ∈ A) | θ ∈ Θ
Wenn θ ∈ Θ0 , so gibt die Gütefunktion für G (θ) die Wahrscheinlichkeit für eine
Fehlentscheidung an, denn in diesem Fall ist die Nullhypothese korrekt und G (θ)
ist die Wahrscheinlichkeit, dass die Stichprobe dennoch in den Ablehnungsbereich
fällt.
Für θ ∈ Θ1 gibt die Gütefunktion Wahrscheinlichkeiten für korrekte Entscheidungen an. In diesem Fall ist nämlich die Nullhypothese falsch und G (θ) entspricht
der Wahrscheinlichkeit, die Nullhypothese korrekterweise abzulehnen.
Da θ in Realität unbekannt ist sind die Aussagen der Gütefunktion eher theoretischer Natur. Sie liefert Erkenntnisse darüber, wie hoch die Ablehnungsraten
der Nullhypothese unter Eintreffen einer bestimmten Parameterkombination θ wären.
Führen wir das Beispiel der vorherigen Kapitel weiter: Sei X ∼ N (ϑ, 1) und die
zu überprüfende Hypothese
H0 : θ = (0, 1) gegen H1 : θ = (ϑ, 1) , ϑ 6= 0
Wenn wir zur Überprüfung der Hypothese einen Gauss-Test mit α = 5% basierend
auf einem Stichprobenumfang N = 9 durchführen, so stellt sich die Gütefunktion
wie folgt dar:
15
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
(
1
|
0
,
8
5
)
(
0
|
0
,
0
5
)
◄
◄
◄
ϴ0
ϴ
Abbildung 2.1.: Exemplarische Gütefunktion eines Gauss-Tests
Ersichtlich aus dem Schaubild ist beispielsweise, dass eine Stichprobe aus 9 Werten
in rund 85% aller Fälle in den Ablehnungsbereich fallen wird, wenn der wahre
Parameter ϑ = 1 und somit θ = (1, 1) ist. Da die Nullhypothese in diesem Fall
falsch ist, entspricht die Ablehnung derselbigen einer korrekten Entscheidung. Wir
werden im Sprachgebrauch dieser Arbeit sagen, dass die statistische Macht dieser
Konstellation 85% beträgt.
Für ϑ = 0 trifft die Nullhypothese zu. Der Wert der Gütefunktion an dieser Stelle
ist genau 5% und entspricht der Wahrscheinlichkeit, die Nullhypothese fälschlicherweise abzulehnen. Der Wert von 5% ist genau der für den Hypothesentest
spezifizierte α-Fehler.
Für diesen zweiseitigen Gauss-Test können wir die Gütefunktion analytisch mit
der Vorschrift
√ √ α
α
− ϑ N + Φ −Φ−1 1 −
+ϑ N
G (ϑ) = Φ −Φ−1 1 −
2
2
angeben, wobei Φ (·) die Verteilungsfunktion der Standardnormalverteilung und
Φ−1 (·) die inverse Verteilungsfunktion der Standardnormalverteilung ist.
Bei nahezu allen Testverfahren, welche im Verlauf dieser Arbeit vorgestellt werden,
wird es jedoch nicht möglich sein, eine konkrete Formel für die Gütefunktion zu
finden. Um einen konkreten Wert zu berechnen müssten wir nämlich exakt wissen,
was passiert, wenn H0 nicht eintritt. Im obigen Beispiel war dies relativ einfach:
H1 besagt, dass die Werte normalverteilt mit bekannter Varianz und lediglich unbekanntem Erwartungswert sind.
Frankfurt School of Finance & Management
Working Paper No. 192
16
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
In den meisten Fällen dieser Arbeit umfasst H1 aber stets eine ganze Bandbreite
sehr unterschiedlicher Alternativen. Wenn wir den obigen Hypothesentest etwa
umformulieren zu
H0 : X ∼ N (0, 1) gegen X 6∼ N (0, 1)
dann umfasst die Alternativhypothese jegliche vorstellbare Verteilungsform angefangen von Gleichverteilungen, t-Verteilungen, Binomialverteilungen bis hin zu
gänzlich parameterlosen Verteilungsformen. Wenn wir uns gegen H0 entscheiden
wissen wir also nicht, was stattdessen zutrifft, sondern wir wissen bloß, dass H0
vermutlich nicht zutrifft.
Dennoch werden wir an einigen Stellen dieser Arbeit die statistische Macht der
Testverfahren unter bestimmten Bedingungen simulieren. Dies werden stets hypothetische “was wäre wenn”-Szenarien sein. Wir können beispielsweise simulieren,
wie hoch die statistische Macht wäre, wenn die Daten alternativ einer U (0, 1)Verteilung oder einer B (250, 5%)-Verteilung entstammen würden. Wir führen also
gewisse Annahmen und Restriktionen für die Alternativhypothese ein und können
mit diesen Annahmen Werte einer Gütefunktion simulieren.
Wenn man sich in der Praxis letztlich für ein konkretes Validierungskonzept entscheiden will, so kann man demzufolge nicht angeben, welches davon die höchste
statistische Macht hat, denn einen konkreten Wert dafür gibt es nicht. Man kann
allerdings sehr wohl betrachten, welche Testverfahren unter diversen hypothetischen Alternativbedingungen jeweils die größte Macht besitzen würden, und kann
dies in die Entscheidung mit einfließen lassen.
17
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
2.2. Prognose von Risiken
2.2.1. Risikomanagement & Marktrisikomodelle
Der Begriff “Risikomanagement” ist recht allgemein gehalten und umfasst besonders im Finanzsektor eine Vielzahl verschiedener Bereiche.
Die eigentlichen Tätigkeiten, die im Rahmen eines modernen Risikomanagements
durchzuführen sind, untergliedern sich im Wesentlichen in Identifikation, Analyse
(Quantifizierung), Überwachung und Steuerung von Risiken.
Die Risiken als solche lassen sich wiederum in zahlreiche Unterkategorien aufteilen.
Die von Basel II vorgeschriebenen Mindestkapitalanforderungen etwa legen einen
Fokus auf Marktpreis-, Kreditausfall- und operationelle Risiken. In der Praxis sind
für Unternehmen jedoch noch deutlich mehr Aspekte von Bedeutung; exemplarisch
zu nennen sind hier etwa Liquiditätsrisiken, wie nicht zuletzt die jüngste Bankenkrise zeigte, und die momentan stark an unternehmerischem Interesse gewinnenden
Reputationsrisiken.
Relevant für die in dieser Arbeit vorgestellten Themen sind in erster Linie Modelle,
die der Überwachung von Marktpreisrisiken dienen. Eine für unsere Zwecke angemessene Definition dafür wird von Crnkovic & Drachman (1996) eingeführt. Hier
wird das Marktrisikomanagement als Prozess, die Wahrscheinlichkeitsverteilungen
der relevanten Risikofaktoren korrekt abzubilden, betrachtet.
Die Grundannahme hierfür ist letztlich, dass wir den Wert unserer Produkte perfekt durch eine Kombination diverser quantifizierbarer Faktoren berechnen können
- etwa durch Zinssätze, lineare oder auch nicht lineare Zusammenhänge zu anderen
Produkten, Haltekosten usw. Sofern dies zutrifft können wir eine präzise Wertbestimmung zu jedem zukünftigen Zeitpunkt genau dann durchführen, wenn wir die
Wahrscheinlichkeiten kennen, mit denen die relevanten Risikofaktoren ihre jeweiligen Wertzustände annehmen können.
Der Schlüssel für ein gutes Management von Marktrisiken ist also eine realitätsnahe
Modellierung zukünftiger Risikofaktoren durch Schätzung von geeigneten Wahrscheinlichkeitsverteilungen.
2.2.2. Vorhersage von Wahrscheinlichkeitsverteilungen
Die Auswahl von Wahrscheinlichkeitsverteilungen von Risikofaktoren kann auf vielfältige Weise erfolgen.
Frankfurt School of Finance & Management
Working Paper No. 192
18
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
In der Praxis werden meist relative oder absolute zukünftige Wertänderungen
modelliert. Eine detailliertere Aufteilung in elementarere Risikofaktoren1 ist zwar
möglich, wird jedoch auf Portfolioebene in der Regel nicht vollzogen.
Grundsätzlich kann man die statistischen Probleme in zwei Kategorien eingliedern:
Parametrische und nicht-parametrische Verfahren.
Parametrische Verfahren sind solche, bei denen anfangs eine konkrete Klasse von Dichtefunktionen angenommen wird und anschließend die dazugehörigen
Parameter geschätzt werden. Die weitverbreitetste Annahme im Finanzbereich ist
dabei sicherlich, dass logarithmierte Renditen r approximativ normalverteilt sind.
Die Parameter der Verteilung werden dabei oft nach einer der folgenden Methoden
bestimmt (Sanddorf-Köhle 2011):
Gleitende Varianz
p
1X
rt−k für t ∈ N, T > p
µ̂t =
p k=1
p
σ̂t2
1X
(rt−k − µ̂t )2
=
p k=1
Exponentiell geglättete Varianz
T
1X
µ̂ =
rt
T t=1
2
σ̂t2 = λσ̂t−1
+ (1 − λ) (rt−1 − µ̂)2
und ein sinnvoll gewählter Startwert σ̂12 , z.B. σ̂12 = (r1 − µ̂)2 .
1
beispielsweise Zinssätze, Nutzenfunktionen, Halteprämien usw.
19
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Ein GARCH-Modell
µ̂ =
σt2
T
1X
rt
T t=1
=ω+
p
X
αi 2t−1
+
q
X
2
βj σt−i
j=1
i=1
i.i.d.
t = vt σt , vt ∼ mit E (vt ) = 0, V ar (vt ) = 1
und ω > 0,
∀i ∈ {1, . . . , p} : αi ≥ 0,
∀j ∈ {1, . . . , q} : βj ≥ 0
Ein GJR-GARCH-Modell
T
1X
µ̂ =
rt
T t=1
σt2
=ω+
p
X
2
αi (|t−1 | − γi t−1 ) +
i=1
q
X
2
βj σt−i
j=1
i.i.d.
t = vt σt , vt ∼ mit E (vt ) = 0, V ar (vt ) = 1
und ω > 0,
∀i ∈ {1, . . . , p} : αi ≥ 0,
∀j ∈ {1, . . . , q} : βj ≥ 0,
γ1 ∈ (−1, 1) ,
∀i ∈ {2, . . . , p} : γi = 0
Nicht-parametrische Verfahren hingegen sind Methoden, die ohne a priori Festlegung auf eine bestimmte Verteilung auskommen. Dann wird meist die
Stichprobe als solche als empirische Verteilungsfunktion gedeutet. Der Vorteil eines solchen Verfahrens ist eine recht hohe Flexibilität - in der Tat kennen wir in
der Regel nie die unterliegenden Verteilungen, sodass parametrische Verfahren immer auf teils nicht sonderlich realitätsnahe Annahmen gestützt werden müssen.
Nicht-parametrische Verfahren kommen hingegen ohne konkrete Annahmen über
die Form der tatsächlichen Verteilung und auch ohne eine explizite Modellierung
von Abhängigkeiten wie beispielsweise Korrelationswerten aus.
Wie bereits von Kupiec (1998) sowie Dowd (2004) angesprochen, gibt es jedoch
auch zahlreiche Nachteile nicht-parametrischer Verfahren, die ihren Einsatz in der
Frankfurt School of Finance & Management
Working Paper No. 192
20
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Praxis oft fragwürdig erscheinen lassen. Um die empirische Verteilung möglichst
realitätsnah spezifizieren zu können werden enorme Datenmengen gebraucht, insbesondere bei überdurchschnittlicher Leptokurtosis der tatsächlichen Verteilung2 ,
denn hierbei ist es wichtig, auch in der Stichprobe schon viele Extremwerte vorliegen zu haben, die selbst unter Leptokurtosis nur mit vergleichsweise geringer
Wahrscheinlichkeit und dementsprechend selten auftreten. Genau dieses Phänomen ist jedoch gerade bei Finanzwerten oft anzutreffen. Zudem können nichtparametrische Verfahren nur verlässliche Ergebnisse liefern, wenn die tatsächliche Verteilung stationär ist, sich also nicht im Zeitablauf verändert, denn es wird
implizit davon ausgegangen, dass die Daten der Stichprobe allesamt der selben
Verteilung entstammen. Auch dies ist im Finanzbereich in aller Regel höchst unrealistisch. Bei parametrischen Verfahren können sowohl Leptokurtosis als auch
Nicht-Stationarität bewusst mit einbezogen werden, wenngleich es teils die entsprechende Modellschätzung erschwert.
Ein typisches Beispiel eines nicht-parametrischen Verfahrens zur Bestimmung möglicher Portfoliowertänderungen ist die sogenannte “historische Simulation”, bei der
eine empirische Verteilungsfunktion auf Basis der Stichprobe ∆vt , t ∈ {1, . . . , T }
berechnet wird:


0
wenn x < ∆v[1]


1
F̂∆V (x) =
max{t | ∆v[t] ≤ x} wenn ∆v[1] ≤ x < ∆v[T ]

T


1
wenn x ≥ ∆v[T ]
2.2.3. Value at Risk
Nachdem, wie im vorherigen Abschnitt erläutert, die möglichen Wertänderungen
eines Portfolios modelliert wurden, stellt sich nun die Frage, wie sich daraus eine
Kennzahl für das Risiko quantifizieren lässt. Im Bankbereich wird hierfür gerne
der sogenannte “Value at Risk” herangezogen (Kupiec 1998). Mit der formalen
Definition folgen wir Cremers (2011):
V aRt (p) = − sup{x ∈ R|P (∆V (t|Ωt ) ≤ x) ≤ p}
Er ist also der bezüglich der Verknüpfung + inverse Wert der größten Portfoliowertänderung ∆V , die mit einer Wahrscheinlichkeit von höchstens p unterschritten
wird.
∆V ist dabei abhängig von einem Betrachtungszeitpunkt t sowie der Portfoliozusammensetzung zu diesem Zeitpunkt, Ωt .
2
auch bekannt als “Fat Tails”
21
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Diese recht formale Definition lässt sich jedoch für kontinuierliche Verteilungen anschaulicher interpretieren als negativer Wert der Inversen der Verteilungsfunktion
der Wertänderungen:
−1
V aRt (p) = −F∆V
(t|Ωt ) (p)
Der Verlust im Portfolio sollte also nur mit einer Wahrscheinlichkeit von höchstens
p niedriger als −V aR sein. Typische Werte für p sind dabei 1% oder 5%.
Bei diskreten Verteilungen müssen Alternativdefinitionen des Value at Risk genutzt
werden. Dabei kann es vorkommen, dass die Überschreitungswahrscheinlichkeit eines völlig korrekt berechneten Value at Risk tatsächlich höher als p ist. Sollte mit
diskreten Verteilungen gearbeitet werden muss diese Tatsache speziell bei Testverfahren, welche Überschreitungswahrscheinlichkeiten konkret beinhalten, beachtet
werden. Diese Konstellation ist jedoch weder im Verlauf dieser Arbeit noch bei
gängigen Praxisverfahren von Bedeutung. Wir werden deshalb nicht weiter darauf
eingehen.
2.2.4. Überschreitungsfunktion
Im Weiteren wird für uns eine Indikatorvariable relevant sein, die für jeden Zeitpunkt t ∈ τ, τ = {1, . . . , T } zwei Zustände annehmen kann:
(
1 wenn ∆Vt < −V aRt (p∗ )
It =
0 sonst.
∆Vt ist dabei die Wertänderung eines Portfolios vom Zeitpunkt t − 1 auf t. Mit
der mathematischen Definition orientieren wir uns an Campbell (2006/2007).3 Die
Funktion It nimmt also für den Zeitpunkt t den Wert 1 an, wenn die Value at
Risk-Prognose für diesen Zeitpunkt tatsächlich überschritten wird, ansonsten 0.
Bei einem korrekt spezifizierten V aR-Modell sollte gelten:
∀It , t ∈ τ : P (It = 1) = E (It ) ≤ p
Die Wahrscheinlichkeit, dass die Indikatorfunktion zu einem beliebigen Zeitpunkt
t den Wert 1 angibt, sollte genau der Risikowahrscheinlichkeit des zugehörigen
3
Wir weichen jedoch bewusst im Bezug auf die zeitabhängige Indizierung von Campbell
(2006/2007) ab.
Frankfurt School of Finance & Management
Working Paper No. 192
22
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Value at Risk-Modells entsprechen - genau dann gilt im Fall einer kontinuierlichen
Werteverteilung E (It ) = p. It ist dann bernoulliverteilt:
∀t ∈ τ : It ∼ BE (p)
fIt (x) = (1 − p)p−x px für x ∈ {0, 1}
Wir definieren zur künftigen Vereinfachung I als die Summe aller Überschreitungen. In einem korrekten Modell sollte sie als Summe unabhängig und identisch
bernoulliverteilter Zufallsvariablen binomialverteilt sein:
X
I=
It
t∈τ
I ∼ B (T, p)
2.2.5. Expected Shortfall
Der Expected Shortfall ist eine weitere Risikokennzahl für das Portfolio. Er gibt
an, wie hoch der durchschnittliche Portfolioverlust ist unter der Bedingung, dass
der Value at Risk überschritten wird. Formal definiert wird er als
1
E ∆V (t|Ωt ) · 1{∆V (t|Ωt )≤−V aRt (p)}
p
+ V aRt (p) · (P (∆V (t|Ωt ) ≤ −V aRt (p)) − p)
ESt (p) = −
oder für kontinuierlich verteilte ∆V auch vereinfacht durch
Z
1 −V aRt (p)
ESt (p) = −
xf∆V (t|Ωt ) (x) dx
p −∞
2.2.6. Regulatorische Auswirkungen der Risikoprognose
Value at Risk und Expected Shortfall sind im heutigen Bankalltag wichtige Kenngrößen zur Risikosteuerung. Doch nicht nur intern, sondern auch extern sind sie
von großer Bedeutung.
Campbell (2006/2007) legt dar, dass der Value at Risk auch von den Aufsichtsbehörden mittlerweile als hauptsächliches Mittel zur Beurteilung von Marktrisiken
anerkannt wird. Banken müssen der Aufsichtsbehörde sowohl den V aR mit einem
Konfidenzniveau von 99% auf Tagesbasis als auch auf 10-Tages-Basis mitteilen.
Das Risikokapital, das es dafür zu hinterlegen gilt, ist schlussendlich entweder der
23
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
1% V aR auf 10-Tages-Basis oder der durchschnittliche 1% V aR auf 10-Tages-Basis
der vergangenen 60 Tage.
Tatsächlich können die Banken so das zu hinterlegende Risikokapital durch ihre
internen Modelle bestimmen. Natürlich erscheint es hier im ersten Moment ökonomisch, einen möglichst geringen V aR auszuweisen, um so wenig Kapital wie
möglich hinterlegen zu müssen. Allerdings werden Modelle, die den Value at Risk
systematisch unterschätzen, streng von den Aufsichtsbehörden bestraft und die
Kapitalanforderungen erhöht. Dies wird im Verlauf dieser Arbeit im Rahmen des
Ampelkonzepts noch detaillierter erläutert.
Zusammenfassend lässt sich festhalten, dass der Value at Risk sowohl für die interne
Risikosteuerung als auch für externe Mindestkapitalhinterlegungen relevant ist.
2.2.7. Überprüfung der Modelle
Angesichts der enormen Bedeutung des Value at Risk ist es offensichtlich, dass
eine Qualitätsprüfung der Modelle notwendig ist. Für die Aufsichtsbehörden ist es
unerlässlich beurteilen zu können, ob Modelle das Risiko systematisch unterschätzen.
Für Banken, auf der anderen Seite, kann es durchaus auch von Interesse sein in
Erfahrung zu bringen, wenn Modelle das Risiko überschätzen - dadurch würde an
die jeweilige Bank nämlich eine höhere Mindestkapitalanforderung als eigentlich
nötig gestellt.
In den folgenden Abschnitten werden wir uns also dem Thema widmen, wie man
die Prognosegüte von Marktrisikomodellen quantitativ einschätzen kann.
Ein grundsätzliches Problem, das sich dabei stellt, ist jedoch, dass die Investments
eines Portfolios selten konstant bleiben. Selbst wenn ein Modell Risikokennzahlen
wie den Value at Risk absolut korrekt prognostiziert kann es durchaus sein, dass
der zukünftige Value at Risk gänzlich anders ist, da sich bis dahin möglicherweise andere Werte im Portfolio befinden. Beispielsweise dürfte der wahre Value at
Risk eines Portfolios, das ausschließlich Kassenhaltung betreibt, für den Zeitpunkt
heute in einem Jahr nahezu bei Null liegen. Sollten wir jedoch das Vermögen nach
einem Monat von der Kassenhaltung komplett in gehebelte Optionsscheine umschichten, so wird der wahre Value at Risk in 11 Monaten nun weitaus höher sein;
die ursprüngliche Prognose wird statistisch gesehen also wesentlich zu häufig überschritten werden. Dies liegt aber nicht an einem ursprünglich falsch spezifizierten
Modell, sondern lediglich an einem veränderten Portfolio.
Um diese Problematik zu umgehen gibt es zwei Möglichkeiten:
Frankfurt School of Finance & Management
Working Paper No. 192
24
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
1. Wir berechnen die Risikokennzahlen stets nur auf sehr kurze Frist, z.B. für
1-Tages-Perioden. Dowd (2004) weist zwar darauf hin, dass es auch innerhalb
von nur einem Tag zu deutlichen Änderungen der Bestände kommen kann,
die Problematik wird dadurch aber zumindest stark vermindert.
2. Sollten die Bestandsänderungen dennoch zu erheblich sein, so kann man zum
Vergleich der Prognosen auch das ursprüngliche Portfolio in Zukunft schlicht
neu bewerten und vergleichen, ob diese theoretische Wertänderung mit der
ursprünglichen Prognose vereinbar ist. Im Beispiel könnte man also in einem Jahr überprüfen, was der Wert eines ausschließlich aus Kassenhaltung
bestehenden Portfolios wäre, und ob dieser Wert mit der Prognose zu t0 in
Einklang zu bringen ist.
Wir werden uns im Weiteren auf die erste Möglichkeit beschränken. Diese Vorgehensweise ist im akademischen und praktischen Bereich üblich und verhindert
zudem Probleme, die durch überlappende Perioden bei der Berechnung der Risikokennzahlen entstehen.
25
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
2.3. Validierung basierend auf
Überschreitungen
Im Folgenden werden wir uns mit Validierungsmodellen beschäftigen, die hauptsächlich auf ein korrektes Verhältnis zwischen Über- und Unterschreitung einer
bestimmten Risikogröße testen. Konkreter wird hier meist überprüft, ob der berechnete Value at Risk statistisch signifikant häufiger oder seltener überschritten
wird, als die von uns selbst definierte Risikowahrscheinlichkeit p∗ dies annehmen
lassen würde. Desweiteren werden wir mit dem Markow-Test ein Verfahren beschreiben, welches darauf prüft, ob Überschreitungen zeitlich unabhängig voneinander auftreten.
2.3.1. Time Until First Failure
Dieser Test wurde ursprünglich von Kupiec (1998) eingeführt. Von Interesse ist hier
die verstrichene Zeit, bis zum ersten Mal der Value at Risk überschritten wird. Das
Grundprinzip hinter dieser Methode ist intuitiv nachvollziehbar: Je geringer die
Wahrscheinlichkeit einer Überschreitung, desto länger sollte es statistisch gesehen
dauern, bis die erste Überschreitung eintritt.
Zufallsvariable
Wir sind an einer Zufallsvariable X interessiert, die den Zeitpunkt angibt, zu welchem die Überschreitungsfunktion It zum ersten mal den Wert 1 annimmt. X ∈ N
ist daher geometrisch verteilt,4
X = min (t | It = 1)
t∈τ
X ∼ G (p)
1
E (X) =
p
Die Wahrscheinlichkeit, dass diese Überschreitung an einem bestimmten Tag x
eintritt, lässt sich wie folgt berechnen:
P (X = x) = p (1 − p)x−1
4
Mit X ∈ N stellen wir heraus, dass wir von einer geometrischen Verteilung ausgehen, deren
Realisationen mindestens den Wert 1 annehmen. X kann nie den Wert 0 annehmen.
Frankfurt School of Finance & Management
Working Paper No. 192
26
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Ein Value at Risk mit Konfidenzniveau 95%, d.h. Fehlerwahrscheinlichkeit p = 5%,
1
) überschritten
sollte im Durchschnitt das erste mal in der zwanzigsten Periode ( 5%
werden. Sollte die tatsächliche Überschreitung im Durchschnitt wesentlich später
auftreten, so überschätzt das Modell das Risiko und vice versa.
Hypothesentest
Wir haben ein statistisches parametrisches Problem der Form (X, P) mit P =
{G (p) |p ∈ (0, 1)}.
Wir konstruieren nun einen Test zur Überprüfung, ob unsere angenommene Risikowahrscheinlichkeit p∗ der tatsächlichen Risikowahrscheinlichkeit p entsprechen
könnte:
H0 : p = p∗ gegen H1 : p 6= p∗
Testfunktion
Für die Überprüfung der Hypothese bietet sich ein Likelihood-Quotienten-Test der
folgenden Form an:
∗
x−1 !
p
1 − p∗
Λ (x) = −2 ln
p̂
1 − p̂
1
x
Λ (x) ∼ χ21
pb =
Der Freiheitsgrad der χ2 -Verteilung ergibt sich aus dim Θ0 = 0 und dim Θ = 1.
Eine Herleitung für pb wird im Verlauf dieses Abschnitts aufgezeigt.
Ablehnungsbereich
Der Ablehnungsbereich ergibt sich durch das entsprechende Quantil einer χ21 Verteilung:
−1
A = χ21
(1 − α) , +∞
27
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Herleitung des Schätzers pb
Als Schätzer für p verwenden wir den Maximum Likelihood-Schätzer pb, welcher
aus Optimierung der Likelihood-Funktion5 resultiert:
L (p) = p (1 − p)x−1
ln (L (p)) = ln (p) + (x − 1) ln (1 − p)
δ ln (L (p))
1 x−1
= −
=0
p
p 1−p
1
x−1
=
p
1−p
1
(1 − p) = x − 1
p
1 − p = p (x − 1)
1−p
=x−1
p
1−p
+1=x
p
1−p+p
=x
p
1
=x
p
1
p=
x
Berechnung kritischer Werte für x
Anhand dieses vorgestellten Tests lassen sich für ein Konfidenzniveau der Hypothese α und gegebene Wahrscheinlichkeiten p∗ kritische Werte für X errechnen,
bei deren Überschreitung die Nullhypothese abgelehnt werden muss.
Hierfür wird die LR-Funktion mit dem entsprechenden Quantil der χ21 -Verteilung
gleichgesetzt:
∗
x−1 !
p
1 − p∗
2 −1
(1 − α)
=
χ
−2 ln
1
1
1 − x1
x
5
Die Likelihood-Funktion entspricht hier der Dichtefunktion einer geometrischen Verteilung.
Frankfurt School of Finance & Management
Working Paper No. 192
28
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Für gegebene Werte für p∗ und α lässt sich diese Gleichung numerisch nach x
auflösen. Wir führten dies für verschiedene p∗ und α durch. Eine Tabelle mit den
Resultaten für kritische Werte befindet sich in Anhang A.1 und A.2.
Grafisch lässt sich die obige Gleichung visualisieren, indem man die Schnittpunkte
der LR-Funktion mit einer horizontalen Geraden auf Höhe des (1 − α)-Quantils der
χ21 -Verteilung darstellt. Wir stellen dies für p∗ = 0, 5% und α = 5% im Folgenden
grafisch dar.
Der Term links des Gleichheitszeichens resultiert dabei in der konvexen Kurve des
Schaubilds. Der Teil rechts des Gleichheitszeichens resultiert in der horizontalen
Gerade auf Höhe des 95%-Quantils der χ21 -Verteilung von ungefähr 3,84. Die xWerte der Schnittpunkte der beiden Funktionen stellen die Lösungen der Gleichung
dar:
y
(
1
1
,
8
9
|
3
,
8
4
)
(
8
7
8
,
9
|
3
,
8
4
)
x
Abbildung 2.2.: TUFF LR-Test, kritische Werte von X als Schnittpunkt zwischen
LR-Funktion und 95%-Quantil der χ21 -Verteilung
Dies kann nun wie folgt interpretiert werden: Der Hypothesentest H0 : p = 0, 5%
gegen H1 : p 6= 0, 5% sollte dann abgelehnt werden, wenn der erste Fehler vor der
Periode 11,89 (in der Praxis also in der 11. Periode oder früher) oder nach der
Periode 878,9 (in der Praxis also in der 879. Periode oder später) auftritt, denn
genau für diese Werte nimmt die Testfunktion einen Wert an, der oberhalb des
95%-Quantils der χ21 -Verteilung liegt.
Die eben beschriebene Methode dient zum Berechnen kritischer Werte für feste
α und p∗ . Wir führen diese Berechnung nun mehrmals für weiterhin feste α, aber
variierende p∗ durch. Im Folgenden eine Darstellung der kritischen Werte für X auf
der y-Achse für ein festes α = 5% in Abhängigkeit von verschiedenen p∗ -Werten
von 1% bis 10% auf der x-Achse:
29
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
y
*
p
Abbildung 2.3.: Kritische x-Werte für α = 5% und variable p∗
Die hellblau markierten Regionen stellen den Ablehnungsbereich, die weiß markierten Bereiche den Annahmebereich der Nullhypothese dar für das jeweils zugehörige
p∗ mit einer Konfidenz von 95%. Erwartungsgemäß sinken die kritischen Werte mit
wachsendem p∗ , der Annahmebereich wird dabei stets schmaler.
Kritik - Mangelnde Ablehnungsmöglichkeiten für große p∗
Kupiec (1998) weist darauf hin, dass für eine Konfidenz in Höhe von 1 − α = 95%
keine Modelle mit einem Fehler von 5% oder mehr erkannt werden können. Tatsächlich weist das Modell ein Problem bei der Ablehnung von Hypothesen mit
großem p∗ auf. Hierbei ist nämlich der erste Fehler bereits zu einem sehr frühen
Zeitpunkt zu erwarten. Wenn nun die tatsächliche Fehlerwahrscheinlichkeit nochmals größer als die angenommene Wahrscheinlichkeit ist, p > p∗ , dann kann die
Nullhypothese zugunsten einer höheren Risikowahrscheinlichkeit nur dann verworfen werden, wenn der erste Fehler extrem früh eintritt. Konkret heißt dies, dass
der erste Fehler teils bei X < 1 eintreten müsste, um die Nullhypothese ablehnen
zu können.
Da jedoch X ∈ N ist kann dies in der Praxis nicht passieren: Der erste Fehler
kann schlicht nicht vor der ersten Periode auftreten. Dadurch wird es für große p∗
unmöglich, eine Risikounterschätzung zu identifizieren.
Unsere Ergebnisse zeigen aber, dass dieses Problem erst später als von Kupiec berechnet auftritt; für eine Konfidenz in Höhe von 95% ist damit erst ab p∗ > 14%
zu rechnen. Dies kann mittels der Tabelle in Anhang A.2 nachvollzogen werden:
Für α = 5% unterschreitet der untere kritische Wert für X die Zahl 1 zum ersten
mal bei einem p∗ zwischen 14% und 15%.
Frankfurt School of Finance & Management
Working Paper No. 192
30
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Gütefunktion und statistische Macht
Wir simulieren nun Gütefunktionen des TUFF-Verfahrens, indem wir die Ablehnungsraten für diverse Kombinationen von p und p∗ berechnen. Wir gehen dazu
wie folgt vor:
1. Wähle p∗ , p ∈ {0, 01, 0, 01005, 0, 01001, . . . , 0, 2}, sodass p∗ 6= p. Setze α =
5%.
2. Erzeuge eine Realisation x der Zufallsvariable X ∼ G (p)
3. Berechne Λ (x) mit dem im ersten Schritt gewählten p∗ 6= p
4. Lehne die Nullhypothese des TUFF-Tests ab, wenn Λ (x) > (χ21 )
−1
(1 − α)
Diese Prozedur wird für jede einzelne Kombination von p und p∗ 1.000.000 mal
durchgeführt, sodass insgesamt ca. 145 Milliarden Tests berechnet werden. Für
jede Kombination von p und p∗ wird nun die gesamte Anzahl an Ablehnungen
der Nullhypothese durch 1.000.000 geteilt, um die relative Ablehnungshäufigkeit
zu berechnen.
Für ein festes p∗ entsprechen die Simulationsergebnisse einer Gütefunktion des
Testverfahrens, hier am Beispiel für p∗ = 5%:
Abbildung 2.4.: Gütefunktion, α = 5%, p∗ = 5%
Erwartungsgemäß hat die Funktion ihr Minimum ungefähr6 im Bereich von p =
p∗ = 5% und umso höhere Werte, je weiter sich p von p∗ = 5% entfernt. Eigentlich
6
Eigentlich sollte die Funktion ihr Minimum exakt bei p = p∗ haben. Wie später noch herausgestellt wird ist der TUFF-Test hier in der Tat unpräzise.
31
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
sollte Gp∗ =5% (p∗ ) = α = 5% gelten, denn für p = p∗ ist die Nullhypothese wahr und
die Gütefunktion sollte demzufolge Wert des α-Fehlers annehmen. Tatsächlich ist
aber Gp∗ =5% (p∗ ) ≈ 6, 2% 6= α. Diesem Phänomen werden wir uns später genauer
widmen.
Wir Erweitern nun die Darstellung der Gütefunktion, indem wir auch p∗ variieren
lassen. Jeder Querschnitt des folgenden Schaubilds entspricht einer Gütefunktion7
für das jeweilige p∗ :
Abbildung 2.5.: Gütefunktionen für verschiedene p∗ mit α = 5%
7
Zur besseren Darstellung wurde die Höhenachse des Schaubilds 2.5 auf 0,5 begrenzt
Frankfurt School of Finance & Management
Working Paper No. 192
32
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Abbildung 2.6.: Konturplot der Gütefunktionen für verschiedene p∗ , α = 5%
Gut zu sehen ist der sprunghafte Verlauf der Funktion im Bezug auf die angenommene Wahrscheinlichkeit p∗ . Dies liegt daran, dass der LR-Test Ablehnungsund Annahmebereich zwar auf eine Teilmenge aus R abbildet, geometrische Zufallsvariablen aber stets aus N stammen. An bestimmten Punkten unter- oder
überschreitet der Ablehnungsbereich eine Ganzzahl - und genau an diesen Stellen
verändert sich die Funktion sprunghaft. Deutlich erkennbar ist auch eine auffällige
Verringerung der Funktionswerte ab einer angenommenen Wahrscheinlichkeit von
ca. 14,7% oder höher - hier tritt genau das oben genannte Phänomen auf, dass es
effektiv keinen unteren Ablehnungsbereich mehr gibt und somit keine Risikounterschätzung mehr erkannt werden kann. Der Eintritt dieses Phänomens kann durch
eine Erhöhung des Fehlers 1. Art hinausgezögert werden. Eine genaue Tabellierung
kritischer Werte befindet sich in Anhang A.1.
Insgesamt nehmen die Gütefunktionen nur in sehr wenigen Konstellationen Werte
größer als 0,4 an. Dies bedeutet, dass selbst falsche Modelle recht selten selbst bei
großen Unterschieden zwischen p und p∗ abgelehnt werden, die statistische Macht
ist also meist sehr niedrig. Selbst in der extremen Kombination p = 1%, p∗ = 20%
wird die Nullhypothese nur in knapp 82% aller Fälle abgelehnt.
33
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Kritik an der Verteilung der Testfunktion
Durch die Simulation der Gütefunktionen zeigte sich ein weiteres kritisches Phänomen: Der spezifizierte α-Fehler des Hypothesentests wurde nicht eingehalten. Dies
wird deutlich, wenn wir die Simulationsdaten im Falle eines korrekt geschätzten
Modells betrachten - also in den Fällen, in denen die geschätzte Wahrscheinlichkeit genau der tatsächlichen Wahrscheinlichkeit des datengenerierenden Prozesses
entspricht, p = p∗ .
Die konkreten Schritte einer solchen Simulation sind dabei:
1. Wähle einen bestimmten Wert für p ∈ {0, 01, 0, 02, . . . , 0, 20}. Setzte α = 5%.
2. Erzeuge eine Realisation x der Zufallsvariable X ∼ G (p)
3. Berechne Λ (x) für p∗ = p
4. Lehne die Nullhypothese des TUFF-Tests ab, wenn Λ (x) > (χ21 )
−1
(1 − α)
Die Schritte 2-4 werden 1.000.000 mal wiederholt. Die relative Ablehnungshäufigkeit ergibt sich dann aus der Anzahl aller Ablehnungen der Nullhypothese geteilt
durch 1.000.000. Anschließend wird ein anderer Wert für p gewählt die Prozedur
erneut durchgeführt.
Die Variable X simuliert also den Zeitpunkt der ersten Value at RiskÜberschreitung in einem Portfolio, das in jeder einzelnen Periode eine unabhängige Value at Risk-Überschreitungswahrscheinlichkeit von p hat. Der entscheidende
Schritt in der Simulation ist der Dritte, denn dieser besagt, dass p∗ = p gesetzt
wird. Das heißt, dass das Modell von einer Überschreitungswahrscheinlichkeit ausgeht, die gleich der tatsächlichen Überschreitungswahrscheinlichkeit ist. Das Modell ist also korrekt spezifiziert und sollte eigentlich nicht abgelehnt werden.
Dies zeigt sich auch, wenn wir die Hypothese des TUFF-Tests betrachten: H0 :
p = p∗ gegen H1 : p 6= p∗ . Mit p∗ = p gilt H0 : p = p gegen H1 : p 6= p. Die
Nullhypothese ist eine Tautologie und somit immer wahr. Wenn der TUFF-Test
die Nullhypothese dennoch ablehnt, so begeht er einen Fehler 1. Art. Dies sollte in
genau α Prozent aller Fälle passieren.
Völlig unabhängig von p sollte der TUFF-Test dann im Durchschnitt eigentlich
stets in 5% aller Fälle der simulierten Konstellationen zur Ablehnung der Nullhypothese führen. Die Ergebnisse der Simulation sind im folgenden Schaubild dargestellt:
Frankfurt School of Finance & Management
Working Paper No. 192
34
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Pr
oz
e
nt
ua
l
eAbl
e
hnunge
n
de
rNul
l
hypot
he
s
e
p
Abbildung 2.7.: Ablehnungsraten eines korrekten Modells, α = 5%
Es ist sehr deutlich zu erkennen, dass die Ablehnungsrate der Nullhypothese deutlich in Abhängigkeit von p variiert und fast nie genau bei ihrem eigentlich zu
erwartenden Wert in Höhe von 5% liegt.
Die gleiche Simulation erweitern wir nun, indem wir nicht mehr von einem festen
α = 5% ausgehen, sondern auch α zwischen 1% und 20% variieren lassen. Zur
besseren Interpretierbarkeit des Schaubildes stellen wir nun auf der Höhenachse nicht mehr die relative Ablehnungshäufigkeit der Nullhypothese dar, sondern
die Differenz zwischen α und der relativen Ablehnungshäufigkeit. Diese sollte im
Durchschnitt eigentlich konstant 0 sein.
Abbildung 2.8.: Ablehnungsraten eines korrekten Modells für verschiedene Signifikanzniveaus
35
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Auch hier bestätigt sich, dass der TUFF-Test nicht in der Lage ist, einen vorgegebenen α-Fehler einzuhalten. Es zeigt sich, dass die Abweichungen charakteristisch für
unterschiedlichste Parameterkombinationen sind. Das Problem ist am geringsten,
wenn das Signifikanzniveau der Hypothese ungefähr der Fehlerwahrscheinlichkeit
des Modells entspricht. Im Zweifelsfall sollte das Signifikanzniveau höher angesetzt
werden als die Fehlerwahrscheinlichkeit des Modells, denn speziell im umgekehrten
Fall weicht der Fehler erster Art stark von seinem zu erwartenden Wert ab.
Zusammenfassung des Testverfahrens
Hypothesentest
1. Testproblem
H0 : p = p∗ gegen H1 : p 6= p∗
2. Testfunktion
Λ (x) = −2 ln
p∗
p̂
1 − p∗
1 − p̂
x−1 !
Λ (x) ∼ χ21
Der Stichprobenwert x ist dabei die Realisation der Zufallsvariablen
X = mint∈τ (t|It = 1).
3. Ablehnungsbereich
A=
χ21
−1
(1 − α) , +∞
4. Entscheidungsregel
H0 ablehnen, wenn die Testfunktion im Ablehnungsbereich liegt. Ansonsten H0
nicht ablehnen.
Insgesamt ist der Time Until First Failure-Test wenig praxistauglich, da er kaum
zwischen verschiedenen Alternativhypothesen zu unterscheiden vermag. Unter bestimmten Konstellationen ist der Likelihood-Ratio-Test sehr unzuverlässig. Seine
statistische Macht ist selbst unter Idealbedingungen8 niedrig. Dies ist nicht verwunderlich - die einzige Information, die bei diesem Verfahren beachtet wird, ist
8
Idealbedingungen bezieht sich vor allem darauf, dass Value at Risk-Überschreitungen unabhängig sind und mit gleicher Wahrscheinlichkeit zu jedem Zeitpunkt auftreten
Frankfurt School of Finance & Management
Working Paper No. 192
36
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
die Zeit bis zur ersten Überschreitung des Value at Risk. Zwar liegen in aller Regel
noch wesentlich mehr Informationen vor, beispielsweise die Höhe der Überschreitung sowie möglicherweise noch weitere Überschreitungen, diese werden jedoch
vollständig im Test vernachlässigt. Wir werden im Folgenden daher Verfahren untersuchen, die weitere Informationen einbeziehen.
2.3.2. Proportion of Failure
Der Proportion of Failure-Test ist, wie von Kupiec (1998) und Campbell (2006/2007)
beschrieben, eine logische Weiterentwicklung des Time Until First Failure-Verfahrens.
Statt reiner Fokussierung auf den erste Fehler werden nun zusätzliche Informationen einbezogen, indem eine Teststatisik konstruiert wird, die alle in der Stichprobe
vorkommenden Value at Risk-Überschreitungen einbezieht.
Zufallsvariable
Wir betrachten nun nicht mehr nur die erste Überschreitung, sondern die Summe
aller Überschreitungen, I:9
I ∼ B (T, p)
T
fI (k) =
pk (1 − p)T −k für k = 0, 1, . . . , T
k
mit den ersten beiden Momenten
E (I) = T p
V ar (I) = T p (1 − p)
Hypothesentest
Für unser statistisches parametrisches Problem (I, P) mit P = {B (T, p) |p ∈ (0, 1)}
können wir einen Test konstruieren und basierend auf allen vorliegenden Überschreitungen testen, ob unsere angenommene Fehlerwahrscheinlichkeit der empirischen Schätzung der realen Fehlerwahrscheinlichkeit entsprechen könnte:
H0 : p = p∗ gegen H1 : p 6= p∗
9
siehe dazu auch Abschnitt 2.2.4
37
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Testfunktion
Ähnlich dem Time Until First Failure-Verfahren bietet sich ein Likelihood-QuotientenTest zum Test der Hypothese an. Mit i als Realisation der Zufallsvariable I nutzen
wir folgende Testfunktion:
T −i ∗ i !
p
(1 − p∗ )
Λ (T, i) = −2 ln
(1 − p̂)
p̂
i
T
Λ (T, i) ∼ χ21
p̂ =
Mit d = 1 da dim Θ0 = 0 und dim Θ = 1.
Ablehnungsbereich
Erneut ergibt sich der Ablehnungsbereich aus dem jeweiligen Quantil der χ21 Verteilung:
−1
A = χ21
(1 − α) , +∞
Frankfurt School of Finance & Management
Working Paper No. 192
38
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Herleitung des Schätzers pb
Als Schätzer für p kommt erneut ein Maximum Likelihood Schätzer pb zum Einsatz,
den wir durch Ableiten, Nullsetzen und Auflösen nach p der Likelihood-Funktion
erhalten. i ist dabei die Realisation der Zufallsvariablen I.
T
L (T, i, p) =
pi (1 − p)T −i
i
T
ln (L (T, i, p)) = ln
+ i ln (p) + (T − i) ln (1 − p)
i
δ ln (L (T, i, p))
i
T −i
= −
=0
δp
p 1−p
i
T −i
=
p
1−p
i (1 − p) = (T − i) p
T −i
1−p
=
p
i
T
i
= −
i
i
T
= −1
i
T
1−p
+1=
p
i
1−p+p
T
=
p
i
T
1
=
p
i
i
p=
T
39
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Gütefunktion und statistische Macht
Wir simulieren nun die Ablehnungsraten verschieden spezifizierter Modelle gemäß
folgender Vorschrift:10
1. Setze α = 5%, T = 250
2. Wähle p∗ , p ∈ {0, 01, 0, 01005, 0, 01001, . . . , 0, 2}, sodass p∗ 6= p
3. Erzeuge eine Realisation i der Zufallsvariable I ∼ B (T, p)
4. Berechne Λ (i) mit dem im ersten Schritt gewählten p∗ 6= p
−1
5. Lehne die Nullhypothese des POF-Tests ab, wenn Λ (i) > (χ21 )
(1 − α)
Erneut wird die Ablehnungsquote der Nullhypothese durch 1.000.000 Simulationen
für jede Kombination von p und p∗ berechnet.
Analog zum vorherigen Abschnitt lässt sich auch hier eine Gütefunktion aus den
Daten für ein festes p∗ , im beispiel mit p∗ = 5%, konstruieren:
Abbildung 2.9.: Gütefunktion für T = 250, α = 5%, p∗ = 5%
Wir sehen, dass Gp∗ (p∗ ) = 5, 8% 6= α gilt, auch hier wird also der α-Fehler des
Hypothesentests nicht eingehalten. Wir werden im kommenden Abschnitt genauer
darauf eingehen.
10
Die tatsächlich durchgeführte Simulation wurde wesentlich stärker hinsichtlich ihrer Berechnungseffizienz optimiert und weicht deshalb teilweise von den aufgeführten Schritten ab, funktioniert aber nach dem gleichen Prinzip und liefert die selben Resultate.
Frankfurt School of Finance & Management
Working Paper No. 192
40
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Wir werden nun wieder die Darstellung der Gütefunktion erweitern, indem wir p∗
variieren und somit verschiedene Gütefunktionen in einem Schaubild darstellen:
Abbildung 2.10.: Gütefunktionen für variable p∗ mit T = 250, α = 5%
Abbildung 2.11.: Konturplot der Gütefunktionen für variable p∗ mit T = 250,
α = 5%.
Auffällig ist hier zum einen, dass der Verlauf der Funktion relativ konstant ist.
Es gibt keine erkennbaren Sprünge mehr, wie dies noch beim TUFF-Test der Fall
war. Zudem erreicht die Funktion recht schnell hohe Werte bis hin zu Niveaus von
41
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
100%. Im Bezug auf die statistische Macht ist der POF-Test also erwartungsgemäß
wesentlich besser als der TUFF-Test.
Abweichungen vom erwarteten Fehler 1. Art
Wir betrachten abschließend noch die Ablehnungsraten eines korrekt geschätzten
Modells. Diese sollte bei den Simulationsdaten eigentlich konstant auf dem αNiveau von 5% liegen. Wir gehen dabei nach diesem Prinzip vor:
1. Setze α = 5%, T = 250
2. Wähle p ∈ {0, 01, 0, 01005, 0, 01001, . . . , 0, 2} und setzte p∗ = p
3. Erzeuge eine Realisation i der Zufallsvariable I ∼ B (T, p)
4. Berechne Λ (i) mit dem im ersten Schritt gewählten p∗ = p
5. Lehne die Nullhypothese des POF-Tests ab, wenn Λ (i) > (χ21 )
−1
(1 − α)
p
Abbildung 2.12.: Ablehnungsraten eines korrekten Modells, T = 250
Es zeigt sich, dass es auch hier Abweichungen vom theoretisch zu erwartenden
Niveau der Ablehnungsraten gibt. Erneut lieben selbige nicht auf dem eigentlich
zu erwartenden, konstanten 5%-Niveau. Die Abweichungen werden jedoch umso
kleiner, je größer die reale und korrekt geschätzte Wahrscheinlichkeit für eine Value
at Risk-Überschreitung wird. Die Fehler erweisen sich zudem immerhin als kleiner
im Vergleich zum TUFF-Test.
Frankfurt School of Finance & Management
Working Paper No. 192
42
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Zusammenfassung des Testverfahrens
Hypothesentest
1. Testproblem
H0 : p = p∗ gegen H1 : p 6= p∗
2. Testfunktion
Λ (T, i) = −2 ln
(1 − p∗ )
(1 − p̂)
T −i p∗
p̂
i !
i
T
Λ (T, i) ∼ χ21
p̂ =
3. Ablehnungsbereich
A=
χ21
−1
(1 − α) , +∞
4. Entscheidungsregel
H0 ablehnen, wenn die Testfunktion im Ablehnungsbereich liegt. Ansonsten H0
nicht ablehnen.
Das POF-Verfahren ist insgesamt unbedingt dem TUFF-Verfahren vorzuziehen,
denn seine statistischen Eigenschaften erweisen sich wie erwartet als erheblich besser. Dies ist kaum verwunderlich, da es auf eine größere Anzahl an Informationen
als das TUFF-Verfahren zurückgreift.
Nichtsdestotrotz wird jedoch auch beim POF-Test eine hohe Menge an Daten
benötigt, um verlässliche Ergebnisse berechnen zu können.
2.3.3. Baseler Ampelansatz / Traffic Light Approach
Wir kommen mit dem sogenannten “Traffic Light Approach” nun zu einem von der
Bundesanstalt für Finanzdienstleistungsaufsicht verwendeten Verfahren, welches
auf Überschreitungen basiert. Es ist als maßgebliches Verfahren zur Beurteilung
von Marktrisikomodellen aus Sicht der Aufsichtsbehörde von besonderer Bedeutung.
43
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Schröder & Schulte-Mattler (1997) liefern eine sehr gute Einführung in dieses Konzept. Auf Vorschlag des Baseler Ausschusses für Bankenaufsicht dient dieses Verfahren zur Beurteilung der Qualität eines Risikomodells aus Sicht der Aufsichtsbehörden. Konkret heißt dies, dass die Ergebnisse des Baseler Ampelansatzes Auswirkungen auf die Kapitalanforderungen an das jeweilige Institut haben.
Ähnlich dem Proportion of Failure-Test wird auch hier versucht, ein Risikomodell
basierend auf den beobachteten Value at Risk-Überschreitungen zu beurteilen. Von
Interesse ist also auch hier die Zufallsvariable der Summe aller Überschreitungen
I, wie sie bereits im vorherigen Kapitel definiert wurde.
Vorgeschrieben wird nun eine Datenbasis von 250 Handelstagen. Von Interesse ist
der Value at Risk auf einem Konfidenzniveau in Höhe von 99%. Dieser sollte in
einem korrekten Modell, wie im vorherigen Kapitel beschrieben, im Durchschnitt
250 · 1% = 2, 5 mal überschritten werden.
Jedoch ist es selbst bei einwandfreien Modellen sehr wahrscheinlich, eine höhere
Anzahl an Überschreitungen zu erhalten. Die einzelnen Wahrscheinlichkeiten, in
einem richtig spezifizierten Modell eine bestimmte Anzahl an Überschreitungen zu
erhalten, lassen sich an der Dichtefunktion der entsprechenden Binomialverteilung
ablesen:
æ
0.25
æ
0.20
æ
0.15
æ
0.10
æ
æ
0.05
æ
æ
0
2
4
6
æ
8
æ
æ
10
Abbildung 2.13.: Diskrete Dichtefunktion einer Binomialverteilung, T = 250, p =
0, 01.
Selbst korrekte Modelle können also mit durchaus realistischer Wahrscheinlichkeit
eine größere Anzahl an Überschreitungen generieren. Dies führt zu der Frage, ab
wie vielen Überschreitungen man ein Modell ablehnen sollte.
Wenn beispielsweise alle Modelle abgelehnt werden würden, die 4 oder mehr Überschreitungen generieren, dann würde man damit auch zahlreiche korrekte Modelle
ablehnen. Die Wahrscheinlichkeit, dass ein richtiges Modell 4 oder mehr Fehler in
den 250 Tagen generiert liegt dabei bei 1 − FI (3) ≈ 24, 19%.
Frankfurt School of Finance & Management
Working Paper No. 192
44
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Diese Fehlerwahrscheinlichkeit lässt sich in Abhängigkeit der Ablehnungsgrenze
visualisieren:
Fehlerwahrscheinlichkeit
æ
0.8
æ
0.6
æ
0.4
æ
0.2
æ
æ
2
4
æ
6
æ
8
æ
Überschreitungen, ab denen
10 das Modell abgelehnt wird
æ
Abbildung 2.14.: Hypothetische Fehlerwahrscheinlichkeiten beim TLA-Verfahren
Setzt man nun also den Ablehnungsbereich zu niedrig an, so wird man auch sehr
viele Modelle ablehnen, die eigentlich richtig wären. Setzt man ihn auf der anderen
Seite zu hoch an, so akzeptiert man zu viele Modelle, die in Wirklichkeit eigentlich
falsch sind.
Bedingt durch diese Problematik entschied sich die Kommission dazu, nicht eine
einzelne statische Grenze im Bezug auf die maximale Anzahl an Überschreitungen
zu setzen, sondern verschiedene Zonen in Abhängigkeit von den realisierten Überschreitungen zu definieren. Je nachdem, in welche Zone ein Modell fällt, entstehen
dabei unterschiedliche Konsequenzen. Diese können von höheren Eigenkapitalanforderungen bis hin zu einem Verbot, das bestehende Modell weiterhin zu nutzen,
reichen.
Zone
Überschrei- Erhöhung des Kumulierte Wahrscheinlichkeit
tungen
Multiplikators
0
0,00
8,11%
1
0,00
28,58%
Grüne Zone
2
0,00
54,32%
3
0,00
75,81%
4
0,00
89,22%
5
0,40
95,88%
6
0,50
98,63%
Gelbe Zone
7
0,65
99,60%
8
0,75
99,89%
9
0,85
99,97%
Rote Zone
≥10
1,00
99,99% - 100%
Tabelle 2.1.: Quelle: Supervisory framework for the use of “Backtesting“ in conjunction with the internal models approach to market risk capital requirements (1998)
45
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Die grüne, gelbe und rote Zone wurden dabei in Abhängigkeit von den kumulativen Wahrscheinlichkeiten eingeteilt.
Ein korrektes Modell wird mit 89,2% in die grüne Zone gelangen und mit einer
Wahrscheinlichkeit von 99,97% in die grüne oder in die gelbe Zone. Die Wahrscheinlichkeit, dass ein korrektes Modell in die rote Zone gelangt, beträgt also nur
0,03%. In solchen Fällen besteht jedoch die Möglichkeit, den Aufsichtsbehörden
glaubhaft darzulegen, dass das betroffene Modell eigentlich dennoch korrekt ist,
um etwaige Konsequenzen zu vermeiden.
Die kumulativen Wahrscheinlichkeiten, in einem korrekten Modell höchstens eine
bestimmte Anzahl an Überschreitungen zu erhalten, lassen sich auch an folgendem
Schaubild ablesen:
1.0
æ
æ
æ
æ
æ
æ
æ
æ
æ
æ
æ
æ
0.8
æ
0.6
æ
0.4
æ
0.2
æ
0
5
10
15
Abbildung 2.15.: Verteilungsfunktion der Binomialverteilung mit T = 250, p =
0, 01
Das Baseler Ampelkonzept ist letztlich eine Art Weiterentwicklung des Proportion of Failure-Verfahrens. Mathematisch basiert es auf den selben Techniken und
Gegebenheiten und führt lediglich eine Interpretation der Ergebnisse aus Risikogesichtspunkten mitsamt Auswirkung auf Eigenkapitalanforderungen ein. Die Güte
der Ergebnisse sind somit aber eng Verbunden mit den Ergebnissen des POFVerfahrens. Es leidet deshalb unter den bereits im vorherigen Abschnitten präsentierten Kritikpunkten. Wie wir im Verlauf dieser Arbeit herausstellen werden gibt
es zahlreiche Verfahren, deren Eigenschaften sich besser für die Validierung von
Risikomodellen eignen. Es ist durchaus vorstellbar, dass die Aufsichtsbehörden in
künftigen Novellierungen vermehrt andere Modelle fokussieren werden.
Frankfurt School of Finance & Management
Working Paper No. 192
46
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
2.3.4. Magnitude of Loss Function
Das nun folgende Verfahren orientiert sich an Goethe Universität (2004). Wir erweitern es jedoch um eine Korrektur der Standardabweichung.
Das in der Literatur eher selten diskutierte MLF-Verfahren erweitert die Überschreitungsfunktion It und lässt auch das Ausmaß einer Überschreitung mit einfließen. In welcher Art man das Ausmaß in die Funktion einfließen lässt ist vielfältig
wählbar; wir entscheiden uns für folgende Funktion:

2

V aRt (p∗ ) + ∆Vt

wenn ∆Vt ≤ −V aRt (p∗ )
1+
ιt (∆Vt ) =
σt

0
sonst.
X
ι (∆Vt ) =
ιt (∆Vt )
t∈τ
Wie Lopez (1998) beschreibt ist die genaue Verteilung von ι unbekannt. Indem
wir im Gegensatz zur gängigen Praxis den Abweichungsterm durch die Standardabweichung des Portfolios zum jeweiligen Zeitpunkt dividieren erreichen wir aber
zumindest eine gewisse parametrische Unabhängigkeit bei der Simulation kritischer
Werte. σt ist dabei die Standardabweichung der Verteilung von ∆Vt .
Wir müssen uns nunmehr lediglich auf eine Verteilungsform festlegen und können
so kritische Werte für ι bestimmen.
Im Folgenden berechnen wir kritische Werte für ι mit der Annahme, dass ∆V normalverteilt ist. In diesem Fall ist σt die Standardabweichung der Normalverteilung
von ∆V zum Zeitpunkt t. Wir gehen bei der Simulation wie folgt vor:
1. Setze p ∈ {0, 001, 0, 01, 0, 05, 0, 1} , T = 250
2. Setze ι = 0
3. Erzeuge T standardnormalverteilte Werte ∆vt , t ∈ {1, . . . , T }.
4. Für jedes ∆vt < −V aRt (p), addiere 1 + (V aRt (p) + ∆vt )2 zu ι hinzu.11
Schritte 2-4 werden 1.000.000 mal wiederholt. Der kritische Wert ergibt sich dann
aus dem (1 − α)-Quantil der berechneten ι-Werte. Anschließend kann die gesamte
Prozedur für ein anderes p wiederholt werden.
11
Man beachte, dass die Daten hier aus einer Standardnormalverteilung stammen und die Verteilung somit eine Standardabweichung von 1 hat. In der Simulation muss der Abweichungsterm
somit nicht mehr durch die Standardabweichung dividiert werden.
47
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Es ergeben sich folgende kritische Werte für ι in Abhängigkeit von p und α:
p = 0, 1%
p = 1%
p = 5%
p = 10%
α = 0, 1%
3,7697
11,4310
34,5357
60,6839
α = 1%
2,3815
8,7251
29,1690
53,5564
α = 5%
1,3313
6,6593
24,9571
47,5656
α = 10%
1,0747
5,6623
22,8517
44,5336
Eine grafische Darstellung der kritischen Werte in Abhängigkeit von p und α liefert
interessante Erkenntnisse:
Abbildung 2.16.: Kritische Werte für T = 250
Der Zusammenhang scheint hier annähernd linear zu sein. Es bietet sich daher an,
kritische Werte Kι für ι mit T = 250 in Abhängigkeit von p und α per Regression
zu approximieren. Wir nutzen dazu folgendes Regressionsmodell:
Kι = a + b · p + c · α + Kι , p und α sind dabei aus der Simulation bekannt, stellt das Regressionsresiduum dar und die Parameter a, b, c sollen durch die Regression gefunden werden
und Aufschluss über den Zusammenhang der Werte geben. Die Methode kleinster
Quadrate liefert für das Regressionsmodell:
Kι = 6.098 + 463, 213 · p − 75, 415 · α + Selbstverständlich ist eine Approximation der kritischen Werte mittels dieser Regression weniger präzise als die eigentlichen simulierten Werte. Die Berechnung
kritischer Werte mit der angegebenen Gleichung sollte daher nur genutzt werden,
wenn Kombinationen von p und α benötigt werden, die nicht an der von uns angegebenen Tabelle ablesbar sind.
Frankfurt School of Finance & Management
Working Paper No. 192
48
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Zusammenfassung des Testverfahrens
Hypothesentest
1. Testproblem
H0 : Der Value at Risk unterschätzt das Risiko nicht signifikant
gegen H1 : Der VaR unterschätzt das Risiko signifikant
2. Testfunktion
ι (∆vt ) =
X
ιt (∆vt )
t∈τ
3. Ablehnungsbereich
−1
A = FbMLF
(1 − α) , +∞
−1
FbMLF
ist inverse Verteilungsfunktion von ι (∆vt ) unter H0
4. Entscheidungsregel
H0 ablehnen, wenn die Testfunktion im Ablehnungsbereich liegt. Ansonsten H0
nicht ablehnen.
2.3.5. Markow-Test auf Unabhängigkeit
Eine Value at Risk-Überschreitung wird oft als ein Worst Case-Szenario bei Finanzinstituten angesehen. Damit keine Gefahr für die Solvenz eines Instituts besteht
sollten eventuelle Überschreitungen daher nicht nur in ihrer durchschnittlichen
Häufigkeit den Prognosen entsprechen, sondern sie sollten zudem nur zeitlich unabhängig voneinander auftreten. Finanzielle Aufwendungen für zeitlich stark konzentrierte Überschreitungen könnten ansonsten das Kapital eines Instituts schnell
übersteigen.
Die Auswirkungen von serieller Abhängigkeit lassen sich gut veranschaulichen.
Betrachten wir zuerst eine Folge von Realisierungen unabhängig bernoulliverteilter
Zufallsvariablen mit einer Erfolgswahrscheinlichkeit in Höhe von 50%:
49
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
1.0
0.8
0.6
0.4
0.2
10
20
30
40
50
Abbildung 2.17.: Unabhängiger Bernoulli-Prozess
Die Wahrscheinlichkeit, zu einem bestimmten Zeitpunkt eine 1 (respektive 0) zu
erhalten erscheint hier weitestgehend unabhängig von dem jeweils vorherigen Wert.
Es ist keine wirkliche Struktur im Schaubild zu erkennen.
Schauen wir uns nun einen stochastischen Prozess mit abhängig bernoulliverteilten
Zufallsvariablen an:12
1.0
0.8
0.6
0.4
0.2
10
20
30
40
50
Abbildung 2.18.: Abhängiger Bernoulli-Prozess
Der Unterschied ist hier sehr klar ersichtlich. Ein einmal angenommener Wert 0
oder 1 bleibt für eine lange Zeit erhalten. Die Wahrscheinlichkeit, zum Zeitpunkt
t also einen bestimmten Wert zu realisieren, hängt hier stark von der vorherigen
Realisation in t − 1 ab.
12
Zu jedem Zeitpunkt wird eine Realisation einer bernoulliverteilten Zufallsvariable mit Erfolgswahrscheinlichkeit p erzeugt. War der vorherige realisierte Wert 1, so wurde dafür p = 0, 9
gesetzt, andernfalls p = 0, 1.
Frankfurt School of Finance & Management
Working Paper No. 192
50
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Die den beiden Schaubildern unterliegenden Bernoulliprozesse haben jedoch beide
die selbe durchschnittliche Erfolgswahrscheinlichkeit in Höhe von 0,5, obwohl die
konkreten Prozesse anschließend grundlegend unterschiedlich aussehen. Übertragen auf unsere Risikomodelle würde dies bedeuten, dass es so zu sehr langen Zeiten
kommen könnte, in denen der Value at Risk jeden Tag überschritten wird, obwohl
wir die durchschnittliche Wahrscheinlichkeit einer Überschreitung möglicherweise
durchaus korrekt abgebildet haben.
Wir sehen also sehr deutlich, dass es nicht ausreicht, nur auf die durchschnittliche
Überschreitungswahrscheinlichkeit zu prüfen - es ist unerlässlich, auch die Unabhängigkeitseigenschaft zu testen. Im Folgenden werden wir zu diesem Zweck den
Markow-Test auf Unabhängigkeit, zu welchem bereits Campbell (2006/2007) eine
sehr gute Einführung liefert, präsentieren.
Wir werden uns im Folgenden darauf fokussieren, auf Autokorrelation erster Ordnung zu prüfen - das heißt, nur auf mögliche Dependenzen von dem direkt vorhergegangenen Wert t − 1. Nicht prüfen werden wir auf Abhängigkeit von den Werten
zu den Zeitpunkten t − 2, t − 3 etc.
Zufallsvariable
Von Interesse ist hier eine Folge an Realisationen i1 , . . . , iT der Zufallsvariablen
I1 , . . . , IT .
Hypothesentest
Wir testen auf Autokorrelation erster Ordnung:
H0 : It und It+1 sind unabhängig
gegen H1 : It und It+1 sind nicht unabhängig
Die Nullhypothese ist also, dass die Folge serielle Unabhängigkeit erster Ordnung
aufweist. Die Alternativhypothese besagt, dass diese Annahme nicht zutrifft.
Testfunktion
Wir testen dies mittels Likelihood-Quotienten-Test,
 
bU
L Π
b
b


Λ ΠML , ΠU = −2 ln
b
L ΠML
b ML , Π
b U ∼ χ2
Λ Π
1
51
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Eine Herleitung der Transitionsmatrizen erfolgt im Verlauf dieses Abschnitts.
Dieser Test erlaubt uns, recht elegant auf Unabhängigkeit zu testen. Bei Bedarf
kann er problemlos auch abgeändert werden, um Tests auf serielle Autokorrelation
größer der ersten Ordnung zu erlauben.
Ablehnungsbereich
Durch die Verteilung der Teststatistik können wir den Ablehnungsbereich wieder
als Quantil der χ21 -Verteilung ausdrücken:
2 −1
A = χ1
(1 − α) , +∞
Transitionsmatrizen
Transitionsmatrizen geben systematisch Wahrscheinlichkeiten an, dass ein bestimmter heutiger Zustand (Überschreitung des Value at Risk / Keine Überschreitung)
in einen bestimmten Zustand zum nächsten Zeitpunkt (Überschreitung / keine
Überschreitung) übergeht. Transitionsmatrizen haben dabei die Form
1 − π01
π01
π00
π01
=
Π=
1 − π11
π11
π10
π11
Die Bedeutungen der Symbole πab sind dabei:
Symbol
π00
π10
π01
π11
VaR heute
Keine Überschreitung
Überschreitung
Keine Überschreitung
Überschreitung
VaR morgen
Keine Überschreitung
Keine Überschreitung
Überschreitung
Überschreitung
Likelihood-Funktion eines Markow-Prozesses
Wir betrachten nun unsere gesamte Stichprobe vom Umfang T und definieren
Tab , a, b ∈ {0, 1} als Anzahl aller Beobachtungen, bei denen die Überschreitungsfunktion zu einem Zeitpunkt den Wert a annimmt und im nächsten Zeitpunkt den
Wert b.
Das heißt also, dass T01 beispielsweise die Anzahl aller Beobachtungen ist, bei
denen auf eine Nicht-Überschreitung des Value at Risk eine Überschreitung folgt.
Formal definieren wir dies wie folgt:
Tab = |{(It , It+1 )|It = a, It+1 = b, t = 1, . . . , T − 1}| für a, b ∈ {0, 1}
Frankfurt School of Finance & Management
Working Paper No. 192
52
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Die zugehörige Likelihood-Funktion des Markow-Prozesses ist
T11
T10
T01
T00
· π11
· π10
· π01
L (Π) = π00
T11
T01
· (1 − π11 )T10 · π11
= (1 − π01 )T00 · π01
ML-Schätzung der Transitionsmatrix
Wir können die Maximum Likelihood-Schätzer für π
b01 und π
b11 ermitteln, indem wir
die Likelihood-Funktion ableiten, gleich 0 setzen und entsprechend auflösen. Dazu
bestimmen wir zur Vereinfachung zuerst die logarithmierte Likelihood-Funktion:
ln L (Π) = T00 · ln (1 − π01 ) + T01 · ln (π01 )
+ T10 · ln (1 − π11 ) + T11 · ln (π11 )
Ableiten und Auflösen nach π01 liefert
δ ln L (Π)
T00
T01 !
=0
=−
+
δπ01
1 − π01
π01
T01
T00
=
π01
1 − π01
1 − π01
1
π01
π01
=
=
−
T01
T00
T00 T00
π01
1 − π01
1
π01
+
=
=
T01 T00
T00
T00
1
1
T00 + T01
1
π01 ·
+
= π01 ·
=
T01 T00
T00 · T01
T00
T00 · T01
π01 =
T00 · (T00 + T01 )
T01
π
b01 =
T00 + T01
Analog können wir π11 bestimmen:
π
b11 =
53
T11
T10 + T11
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Die Schätzer π
b00 und π
b10 können wir nun sehr einfach bestimmen. Da zum morgigen
Zeitpunkt zwangsläufig irgendein Zustand - d.h. eine Überschreitung oder keine
Überschreitung - eintreten muss, müssen folgende Gleichungen gelten:
π
b01 + π
b00 = 1
π
b10 + π
b11 = 1
Entsprechendes Umstellen liefert die ML-Schätzer
π
b00 = 1 − π
b01
π
b10 = 1 − π
b11
Eine ML-Schätzung der Transitionsmatrix ergibt sich damit durch


T00
T01
T00 + T01 
b ML = 
Π
 T00T+ T01
T11 
10
T10 + T11
T10 + T11
Schätzung einer Transitionsmatrix unter Unabhängigkeit
Unter Unabhängigkeit hingegen müsste das Eintreten des morgigen Zustands vom
heutigen unabhängig sein, das heißt es müsste gelten π01 = π11 = πU . Da, wie bereits ausgeführt, zum zukünftigen Zeitpunkt einer der beiden möglichen Zustände
eintreten muss ergeben sich zudem direkt die Werte für π00 = π10 = 1 − πU . Unter
Unabhängigkeit ist also die folgende Transitionsmatrix anzunehmen:
1−π
bU
π
bU
b
ΠU =
1−π
bU
π
bU
Der ML-Schätzer für π
bU kann dabei durch entsprechendes Ableiten, Nullsetzen
und Auflösen der Likelihood-Funktion
L (ΠU ) = (1 − πU )T00 +T10 · πUT01 +T11
ermittelt werden:
ln L (ΠU ) = (T00 + T10 ) · ln (1 − πU ) + (T01 + T11 ) · ln (πU )
δL (ΠU )
T00 + T10 T01 + T11 !
=−
+
=0
δπU
1 − πU
πU
T01 + T11
π
bU =
T00 + T10 + T01 + T11
Frankfurt School of Finance & Management
Working Paper No. 192
54
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Zusammenfassung des Testverfahrens
Hypothesentest
1. Testproblem
H0 : P (It (p) = 1|It−1 (p) = 1) = P (It (p) = 1|It−1 (p) = 0)
gegen H1 : P (It (p) = 1|It−1 (p) = 1) 6= P (It (p) = 1|It−1 (p) = 0)
2. Testfunktion

bU
L Π

= −2 ln  b ML
L Π

b ML , Π
bU
Λ Π
T11
T01
· (1 − π11 )T10 · π11
L (ΠML ) = (1 − π01 )T00 · π01
T01
π
b01 =
T00 + T01
T11
π
b11 =
T10 + T11
π
b00 = 1 − π
b01
π
b10 = 1 − π
b11
L (ΠU ) = (1 − πU )T00 +T10 · πUT01 +T11
T01 + T11
π
bU =
T00 + T10 + T01 + T11
b
b
Λ ΠML , ΠU ∼ χ21
3. Ablehnungsbereich
A=
χ21
−1
(1 − α) , +∞
4. Entscheidungsregel
H0 ablehnen, wenn die Testfunktion im Ablehnungsbereich liegt. Ansonsten H0
nicht ablehnen.
55
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
2.4. Validierung basierend auf der gesamten
Verteilung
Wie bereits zu Anfang dieser Arbeit erläutert ist eine der wichtigsten Aufgaben des
Marktrisikomanagements die korrekte Prognose zukünftiger Wahrscheinlichkeitsverteilungen. Wir werden nun Tests fokussieren, welche die korrekte Spezifikation
der gesamten Risikoverteilung sicherstellen sollen. Im Folgenden ist also nicht nur
von Interesse, ob ein ganz bestimmtes Quantil der Verteilung richtig geschätzt
wird, sondern, ob die Verteilung in ihrer Gesamtheit richtig geschätzt wird. Sollte
dies der Fall sein, so impliziert dies immer auch eine korrekte Schätzung von Value
at Risk sowie Expected Shortfall.
Als Kritikpunkt solcher Tests wird oft angeführt, dass es nicht nur wesentlich
schwerer ist, eine komplette Verteilung korrekt zu bestimmen, sondern auch, dass
dies zu einer Verwässerung des Risikobegriffs führt, da ein Risikomanagement in
aller Regel eigentlich nur an den Randbereichen einer Verteilung interessiert ist.
Campbell (2006/2007) und Berkowitz (2001) diskutieren diese Kritikpunkte exemplarisch.
Dennoch erfreuen sich diese Tests in der Praxis großer Beliebtheit. Durch die Einbeziehung aller verfügbaren Informationen kann die statistische Macht teils deutlich
erhöht werden. Da gerade dies bei überschreitungsbasierten Tests ein erhebliches
Problem darstellt, sind die Tests der gesamten Verteilung eine praktikable Alternative.
2.4.1. Rosenblatt-Transformation zur Gleichverteilung
Wir wollen im Folgenden überprüfen, ob unsere prognostizierten Verteilungen mit
den real eingetretenen Werten vereinbar sind. Problematisch dabei ist, dass die
prognostizierten Verteilungen abhängig von den jeweiligen Anforderungen und Annahmen unterschiedlichste Formen und Parameter annehmen können.
Idealerweise sollten die Testverfahren dabei auf jede beliebige Verteilungsform anwendbar sein. Bei diesem Problem hilft uns die sogenannte“Rosenblatt-Transformation”,
welche in diesem Kontext auch von Campbell (2006/2007) angewandt wird.
Nehmen wir an, die Portfoliowertänderung ∆V (t|Ωt ) hat eine bestimmte, uns bekannte Verteilung mit Verteilungsfunktion F∆V (t|Ωt ) (·).
Frankfurt School of Finance & Management
Working Paper No. 192
56
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Wir definieren nun eine Zufallsvariable Zt als Verknüpfung der Zufallsvariablen
∆Vt und ihrer angenommenen Verteilungsfunktion. Die Rosenblatt-Transformation
besagt nun, dass die Zufallsvariable Zt gleichverteilt auf dem Intervall (0, 1) ist:
Zt = F∆V (t|Ωt ) (∆Vt ) für t = 1, . . . , T
i.i.d.
Zt ∼ U (0, 1)
Crnkovic & Drachman (1996) liefern eine noch intuitiver verständliche Zusammenfassung dieser Transformation: Die Quantile dieser Dichtefunktionen sind gleichverteilt.
Dies ist natürlich nur wahr, wenn die beobachteten Werte ∆vt auch tatsächlich
den angenommenen Verteilungsfunktionen F∆V (t|Ωt ) entstammen.
Mit anderen Worten: Wenn wir die Wahrscheinlichkeitsverteilungen korrekt prognostizieren, dann werden die Rosenblatt-Transformationen der realisierten Werte
gleichverteilt sein. Wenn wir hingegen falsch prognostizieren, dann werden unsere
transformierten Werte nicht gleichverteilt sein. Je schlechter unsere Prognose die
Realität abbildet, desto stärker entfernt sich die Verteilung der Z-Werte von einer
Gleichverteilung.
Wie Berkowitz (2001) herausstellt gilt dies auch, wenn sich die Verteilungen im
Laufe der Zeit verändern. Wir können die Transformation also auch problemlos
für Portfolios mit sich ändernden Beständen und unterschiedlichen Verteilungsparametern, d.h. beispielsweise selbst bei Heteroskedastizität, verwenden.
Damit haben wir die Aufgabe, die Korrektheit unserer prognostizierten Verteilungen zu bestimmen, wesentlich vereinfacht. Statt für jede erdenkliche Verteilungsform separate Testverfahren zu verwenden können wir nun eine einfache Transformation durchführen und überprüfen, ob die resultierenden Werte gleichverteilt
sind. Können wir dies bejahen, so sind unsere Prognosen korrekt, andernfalls ist
unser Modell fehlerhaft.
Es müssen zwei wesentliche Eigenschaften geprüft werden:
1. Gilt Z ∼ U (0, 1), d.h. sind die Rosenblatt-Transformationen der realisierten
Werte tatsächlich gleichverteilt auf dem Intervall (0, 1)?
2. Sind die Elemente der Folge Z1 , . . . , ZT unabhängig voneinander?
Wir werden versuchen, die erste Frage über das CD-Verfahren sowie über einen
Kolmogorov-Smirnov-Test zu überprüfen.
Auf die Unabhängigkeitseigenschaft werden wir erst im nächsten Abschnitt im
Rahmen einer Normalverteilung weiter eingehen. Sollte explizit die Unabhängigkeitsprüfung der Rosenblatt-transformierten Daten gewünscht sein, so könnte dies,
57
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
wie von Crnkovic & Drachman (1996) vorgeschlagen, beispielsweise durch einen
hier nicht näher erläuterten Brock-Dechert-Scheinkman-Test durchgeführt werden.
2.4.2. CD-Verfahren: Kuiper-Statistik mit Worry
Function
Wir wollen die Hypothese
H0 : Z ∼ U (0, 1) gegen H1 : Z 6∼ U (0, 1)
überprüfen. Wohlgemerkt fordern wir hier nicht explizit die i.i.d.-Eigenschaft, Z
muss also nicht unabhängig verteilt sein.
Crnkovic & Drachman (1996) schlagen für die Überprüfung dieser Hypothese ein
Verfahren vor, welches auf der Kuiper-Statistik zur Überprüfung auf eine bestimmte Verteilungsform basiert.
Grundsätzlich wird hier die empirische Verteilungsfunktion von Z ermittelt und
mit der Verteilungsfunktion einer perfekten U (0, 1)-Verteilung verglichen. Als Kennzahl für den Unterschied zwischen diesen beiden Funktionen dient dann die Summe
aus größter Abweichung nach unten und größer Abweichung nach oben:
1.0
0.8
0.6
0.4
Größte Abweichung
nach unten
Größte Abweichung
nach oben
0.2
0.2
0.4
0.6
0.8
1.0
Abbildung 2.19.: Zusammensetzung der Kuiper-Statistik
Für dieses Verfahren müssen wir zuerst aus unseren Rosenblatt-transformierten
Werten Z eine empirische Verteilungsfunktion berechnen:
n (x)
Fb (x) =
, x ∈ (0, 1)
T
n (x) = max{t|z[t] ≤ x}
t∈τ
Frankfurt School of Finance & Management
Working Paper No. 192
58
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
n (x) berechnet also die Anzahl aller Werte zt , die kleiner als x sind. F (x) ist
demzufolge die Funktion, welche den Anteil an Werten zt ≤ x relativ zur gesamten
Stichprobe angibt, also die Verteilungsfunktion von Z. Wir definieren nun die
Kuiper-Statistik für eine Gleichverteilung:
Q = max {Fb (x) − x} + max {x − Fb (x)}
0≤x≤1
0≤x≤1
Die Statistik Q ist die Summe der größten Differenzen nach unten und nach oben
zwischen tatsächlicher Verteilungsfunktion und empirischer Verteilungsfunktion.
Der Wert sollte möglichst klein sein.
In Abhängigkeit der Stichprobengröße T lassen sich nun kritische Werte für Q
per Monte Carlo Simulation approximieren, für die die Nullhypothese abgelehnt
werden muss.
Dazu wird ein Vektor x mit T Realisationen gleichverteilter Zufallsvariablen erzeugt und eine Teststatistik Q (x) berechnet,
Q (x) = max Fb (xt ) − F (xt ) , Fb (xt+1 ) − F (xt )
t=1,...,T
+ max F (xt ) − Fb (xt ) , F (xt ) − Fb (xt+1 )
t=1,...,T
Dies wird möglichst oft wiederholt. Alle dadurch berechneten Werte der Teststatistik werden schließlich im Vektor s zusammengefasst. Der Ablehnungsbereich dieses
Testverfahrens zum Konfidenzniveau 1 − α ergibt sich nun aus den entsprechenden
Quantilen der Verteilung der Teststatistik,
A = s[gT (T (1−α))+1] , +∞
Für gängige Stichprobengrößen sind kritische Werte bereits berechnet und verfügbar.
Doch erscheint es sinnvoll, die Abweichungen von der Gleichverteilung zu gewichten. Zwar haben wir in diesem Abschnitt durchaus Interesse daran, die korrekte
Spezifikation der gesamten Verteilung zu beurteilen, dennoch interessieren uns im
Bereich des Risikomanagements natürlich meist besonders die Randbereiche. Eine Abweichung an den Randbereichen sollte also mit größerem Gewicht in die
Statistik eingehen als eine Abweichung in den Zentralbereichen.
Genau dies lässt sich durch eine Gewichtung der tatsächlichen Verteilungsfunktion
sowie der empirischen Verteilungsfunktion mit einer sogenannten “Worry Function”
59
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
bewerkstelligen. In Anlehnung an Crnkovic & Drachman (1996) entscheiden wir
uns für die Funktion
W (x) = −
ln (x · (1 − x))
2
Diese Gewichtungsfunktion verläuft wie folgt auf dem Intervall (0, 1):
4
3
2
1
0.0
0.2
0.4
0.6
0.8
1.0
Abbildung 2.20.: Worry Function
Wir wenden die Worry Function nun auf die theoretische sowie auf die empirische
Verteilungsfunktion an und erhalten dadurch eine gewichtete Statistik Qw , mittels
welcher den Randbereichen eine größere Bedeutung zugemessen wird:
Qw = max {W (x) Fb (x) − W (x) x} + max {W (x) x − W (x) Fb (x)}
0≤x≤1
0≤x≤1
Frankfurt School of Finance & Management
Working Paper No. 192
60
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Auch hier müssen in Abhängigkeit von Stichprobengröße und Ausgestaltung der
Worry Function kritische Werte wieder per Monte Carlo Simulation gefunden werden, indem bestimmte Quantile des Vektors sw , welcher die Teststatistiken Qw der
simulierten Stichproben beinhaltet, betrachtet werden. Die folgende Tabelle stellt
kritische Werte in Abhängigkeit von Stichprobengröße T und α-Wert basierend
auf 10.000.000 unabhängigen Simulationen pro Zeitraum T dar:
HH
T
HH α
HH
0.1%
1%
5%
10%
15%
1
3.808 2.652 1.857 1.523 1.334
10
0.849 0.681 0.549 0.488 0.451
21
0.541 0.443 0.367 0.332 0.311
125
0.2
0.17 0.147 0.136 0.129
250
0.139 0.119 0.104 0.096 0.092
500
0.097 0.084 0.073 0.068 0.065
Tabelle 2.4.: Kritische Werte der Teststatistik Qw
Das Problem des CD-Verfahrens ist die relativ große Datenmenge, die es benötigt.
In der Regel wird von zwischen 500 bis 1000 Datenwerten ausgegangen, die für
signifikante Ergebnisse mit in die Berechnung einfließen sollten. Dies entspricht in
der Praxis einem Zeitraum von zwei bis vier Jahren, um genügend Daten akkumulieren zu können. Kupiec (1998) geht zudem davon aus, dass weitere Modifikationen
des Tests bei einer asymmetrischen Verteilung nötig wären.
Das CD-Verfahren ist also eine interessante Möglichkeit, die Verteilung mit einem
Fokus auf bestimmte Teilbereiche zu überprüfen, scheitert in der Praxis oft aber
an der großen Datenmenge, die es - wie die meisten nicht-parametrischen Testverfahren bedingen - benötigt. Zudem sind die Ergebnisse nur aussagekräftig, wenn
keine Autokorrelation in den Daten vorliegt - dies muss gegebenenfalls separat
überprüft werden.
61
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Zusammenfassung des Testverfahrens
Hypothesentest
1. Testproblem
H0 : Z ∼ U (0, 1) gegen H1 : H1 : Z 6∼ U (0, 1)
2. Testfunktion
Qw (x) =
max W (xt ) Fb (xt ) − W (xt ) F (xt ) , W (xt ) Fb (xt+1 ) − W (xt ) F (xt ) +
t=1,...,T
max W (xt ) F (xt ) − W (xt ) Fb (xt ) , W (xt ) F (xt ) − W (xt ) Fb (xt+1 )
t=1,...,T
3. Ablehnungsbereich
A = sw[gT (T (1−α))+1] , +∞
4. Entscheidungsregel
H0 ablehnen, wenn die Testfunktion im Ablehnungsbereich liegt. Ansonsten H0
nicht ablehnen.
2.4.3. Kolmogorov-Smirnov-Test mit Worry Function
Wir kommen nun zu einer weiteren, in der Literatur bislang wenig diskutierten Methode, welche dem CD-Verfahren ähnelt. Ziel wird es erneut sein, zu überprüfen, ob
unsere empirisch ermittelte Verteilungsfunktion mit der Verteilungsfunktion einer
U (0, 1)-Verteilungsfunktion übereinstimmen könnte. Wir werden dazu allerdings
eine andere Teststatistik als beim CD-Verfahren verwenden.
Wir definieren also erneut die Hypothesen sowie die empirische Verteilungsfunktion
durch
H0 : Z ∼ U (0, 1) vs. H1 : Z 6∼ U (0, 1)
n (x)
, x ∈ (0, 1)
Fb (x) =
T
n (x) = max{t|z[t] ≤ x}
t∈τ
Frankfurt School of Finance & Management
Working Paper No. 192
62
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Der Unterschied zum CD-Verfahren liegt nun in der Art und Weise, auf die wir die
Nullhypothese prüfen. Dazu führen wir hier die Kolmogorov-Smirnov-Teststatistik
des Anpassungstests ein:
D = sup {|Fb (x) − x|}
0≤x≤1
Im Gegensatz zur Kuiper-Teststatistik, die eine Summe der größten Abweichung
nach unten und nach oben hin war, ist die Kolmogorov-Smirnov-Statistik also
lediglich die insgesamt größte absolut gesehene Abweichung:
1.0
0.8
0.6
0.4
Größte absolute
Abweichung
0.2
0.2
0.4
0.6
0.8
1.0
Abbildung 2.21.: Veranschaulichung einer Simulation einer exemplarischen Teststatistik für T = 10
Nun gibt es wohlbekannte Testverfahren zum Überprüfen der Nullhypothese anhand der Teststatistik D. Doch analog zum vorherigen Abschnitt wollen wir auch
hier explizit Abweichungen an den Rändern der Verteilung stärker gewichten. Wir
nutzen dafür erneut die bereits erläuterte Worry Function:
W (x) = −
ln (x · (1 − x))
2
Durch Anwendung auf empirische und theoretische Verteilungsfunktion erhalten
wir eine neue Teststatistik,
Dw = sup {|W (x) Fb (x) − W (x) x|}
0≤x≤1
Durch Anwendung der Worry Function können wir nicht mehr etwa auf die Kolmogorovverteilung zur Ermittlung kritischer Werte der Teststatistik zurückgreifen, sondern müssen selbige per Monte Carlo Simulation finden. Wie im vorherigen Abschnitt ausführlicher dargestellt ergeben sich diese aus den Quantilen der
63
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
simulierten Verteilung der Teststatistik sdw . In einer Simulation mit 10.000.000
Wiederholungen pro Zeitraum ergeben sich folgende kritische Werte:
HH
T
HH α
HH
0.1%
1%
5%
10%
15%
1
3.798 2.637 1.81 1.447 1.233
10
0.656 0.514 0.406 0.357 0.326
21
0.406 0.325 0.263 0.234 0.216
125
0.145 0.12 0.101 0.092 0.087
250
0.1
0.084 0.071 0.065 0.061
500
0.07 0.059 0.05 0.046 0.043
Tabelle 2.5.: Kritische Werte der Teststatistik Dw
Zusammenfassung des Testverfahrens
Hypothesentest
1. Testproblem
H0 : Z ∼ U (0, 1) gegen H1 : H1 : Z 6∼ U (0, 1)
2. Testfunktion
Dw (x) =
max |W (xt ) Fb (xt ) − W (xt ) F (xt ) |, |W (xt ) Fb (xt+1 ) − W (xt ) F (xt ) |
t=1,...,T
3. Ablehnungsbereich
A = sdw[gT (T (1−α))+1] , +∞
4. Entscheidungsregel
H0 ablehnen, wenn die Testfunktion im Ablehnungsbereich liegt. Ansonsten H0
nicht ablehnen.
Frankfurt School of Finance & Management
Working Paper No. 192
64
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
2.4.4. Wahrscheinlichkeitsintegral zur Transformation in
eine Normalverteilung
In den vorherigen Abschnitten haben wir die Rosenblatt-Transformation auf unsere Daten angewandt und schließlich versucht zu berechnen, ob die daraus resultierende empirische Verteilungsfunktion der einer Gleichverteilung entsprechen
könnte. Wir haben dabei aber festgestellt, dass diese Tests Schwächen in kleinen
Stichproben haben.
Wir werden nun einen Schritt weiter gehen und nach der Rosenblatt-Transformation
noch eine weitere Transformation per Wahrscheinlichkeitsintegral anwenden, um
unsere Daten in eine idealerweise standardnormalverteilte Form zu bringen. Dies
bietet für uns den Vorteil, dass wir parametrische Tests zum Prüfen der Verteilungsannahme anwenden können, welche mitunter bessere Eigenschaften in kleineren Stichproben haben.
Wir wenden auf eine Serie von Zufallsvariablen, welche unabhängig gleichverteilt auf (0, 1) sind, die inverse Verteilungsfunktion der Standardnormalverteilung,
Φ−1 (·), an. Das daraus resultierende Ergebnis ist eine Serie unabhängig standardnormalverteilter Zufallsvariablen (Christoffersen 2003):
Qt = Φ−1 (Zt )
i.i.d.
Qt ∼ N (0, 1)
Wenden wir auf unsere Wertänderungen ∆Vt nun also erst die Rosenblatt-Transformation
und anschließend die hier erläuterte Transformation an, so sollten wir eine Serie
unabhängig standardnormalverteilter Werte bekommen:
Qt = Φ−1 F∆V (t|Ωt ) (∆Vt )
i.i.d.
Q ∼ N (0, 1)
Dies gilt natürlich nur, wenn die Rosenblatt-transformierten Daten tatsächlich
unabhängig gleichverteilt auf (0, 1) sind. Es gilt also nur, wenn sich unsere prognostizierten Wahrscheinlichkeitsverteilungen als korrekt herausstellen. Je weniger
korrekt unsere Prognosen waren, desto stärker entfernt sich die Serie Qt von unabhängig standardnormalverteilten Werten.
Dies lässt sich visualisieren, indem man zuerst ein korrekt spezifiziertes Modell
betrachtet. In diesem Fall lassen wir tatsächliche Daten nach einer Standardnor-
65
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
malverteilung generieren und nutzen zur Prognose ebenfalls eine Standardnormalverteilung:13
Rosenblatt-Transformation, Dichtefunktion
Rosenblatt-Transformation, Verteilungsfunktion
1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.2
0.4
0.6
0.8
-0.5
1.0
Wahrscheinlichkeitsintegral, Dichtefunktion
0.5
1.0
1.5
Wahrscheinlichkeitsintegral, Verteilungsfunktion
0.4
1.0
0.8
0.3
0.6
0.2
0.4
0.1
-4
-2
0.2
2
-2
4
-1
0
1
2
Abbildung 2.22.: Transformation von korrekt geschätzten Daten
In den Schaubildern stellen die schwarz gepunkteten Linien die Idealwerte dar,
also z.B. Dichte- und Verteilungsfunktion einer U (0, 1)-Verteilung im Fall der
Rosenblatt-Transformation und eine N (0, 1)-Verteilung für die Transformation per
Wahrscheinlichkeitsintegral. Die blau gezeichneten Werte stellen die empirischen
Dichte- und Verteilungsfunktionen dar. Man sieht, dass die empirischen Funktionen praktisch identisch mit den theoretischen Idealfunktionen sind.
Doch wie sehen die transformierten Daten bei einem falsch spezifizierten Modell
aus? Wir illustrieren dies anhand eines aus Risikosicht sehr relevanten Beispiels:
Wir unterschätzen das Risiko nun bewusst, indem wir von standardnormalverteilten Daten ausgehen, die tatsächlichen Daten aber von einer Verteilung mit höherer
Varianz, N (0, 2), generieren lassen:
13
Basiert auf jeweils 1,000,000 Simulationen
Frankfurt School of Finance & Management
Working Paper No. 192
66
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Rosenblatt-Transformation, Dichtefunktion
Rosenblatt-Transformation, Verteilungsfunktion
1.4
1.0
1.2
0.8
1.0
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.2
0.4
0.6
0.8
-0.5
1.0
Wahrscheinlichkeitsintegral, Dichtefunktion
0.5
1.0
1.5
Wahrscheinlichkeitsintegral, Verteilungsfunktion
1.0
0.25
0.8
0.20
0.6
0.15
0.4
0.10
0.2
0.05
-4
-2
2
4
-2
-1
0
1
2
Abbildung 2.23.: Transformation von Daten, welche das Risiko unterschätzen
Bei einer Risikounterschätzung weist sowohl die Transformation zur Gleichverteilung als auch die nachfolgende Transformation zur Standardnormalverteilung
zu große Wahrscheinlichkeit in den Randbereichen auf. Dies ist intuitiv nachvollziehbar: Der datengenerierende Prozess hat eine höhere Varianz als im Modell
angenommen. In unserem Modell, N (0, 1) würden wir beispielsweise erwarten, in
rund 2,28% aller Fälle einen Wert ≤ −2 zu erhalten. Der datengenerierende Prozess, N (0, 2), wird jedoch in ca. 7,86% aller Fälle einen Wert ≤ −2 erzeugen. Wir
erhalten also mit einer unerwartet hohen Wahrscheinlichkeit Werte, die in den
Randbereichen unserer Modellverteilung liegen.
Eine Risikoüberschätzung würde sich ebenfalls in empirischer Dichte- und Verteilungsfunktion widerspiegeln. Hierbei würden die empirischen Funktionen eine zu
große Fläche im Zentralbereich aufweisen.
Es wird also deutlich, dass die empirische Verteilung der per Wahrscheinlichkeitsintegral transformierten Daten eine Standardnormalverteilung approximiert, sofern
das Modell korrekt ist. Ungenauigkeiten im Modell spiegeln sich sowohl nach der
Rosenblatt-Transformation als auch in gleicher Weise nach der
Wahrscheinlichkeitsintegral-Transformation in Abweichungen von der jeweils erwarteten Dichte- und Verteilungsfunktion wider.
67
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Diese Erkenntnisse helfen uns nun dabei, die Angemessenheit unseres Modells zu
überprüfen. Nach Transformation per Wahrscheinlichkeitsintegral sollten unsere
Daten unabhängig und identisch standardnormalverteilt sein. Dies werden wir anhand von drei Kriterien überprüfen:
1. Ist Qt normalverteilt?
2. Hat die Verteilung von Qt einen Mittelwert von 0 und eine Varianz von 1?
3. Sind die einzelnen Werte aus Qt unabhängig voneinander?
Wenn all diese Fragen mit Ja beantwortet werden können, dann ist das Prognosemodell richtig spezifiziert. In den kommenden Abschnitten werden daher Tests
erläutert, um genau diese drei Punkte zu beantworten.
2.4.5. Jarque-Bera-Test auf Normalverteilung
Der Jarque-Bera-Test prüft, wie von Jost, Spree, Hapke, Mehmke & Huck (2011)
beschrieben, ob vorliegende Daten einer Normalverteilung entstammen.
Dazu vergleicht er Schiefe und Kurtosis, d.h. Wölbung, der empirischen Verteilung
mit den entsprechenden Werten einer Normalverteilung.
Selbige hat eine Schiefe von 0, ist also symmetrisch, und weist eine Kurtosis von
3 auf. Wenn die empirische Verteilung zu stark von diesen Werten abweicht, so ist
davon auszugehen, dass der datengenerierende Prozess keiner Normalverteilung
folgt.
Schiefe S und Kurtosis K entsprechen einer Funktion µn (X) /σ n (X), also das n-te
zentrale Moment normiert auf die n-te Potenz der Standardabweichung, für n = 3
(Schiefe) bzw. n = 4 (Kurtosis):
S=
mit b
q=
T
3
1 X
qt − b
q
T t=1
! 23 , K =
T X
2
1
qt − b
q
T t=1
T
4
1 X
qt − b
q
T t=1
!
T
2 2
1 X
qt − b
q
T t=1
T
1X
qt
T t=1
Frankfurt School of Finance & Management
Working Paper No. 192
68
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Wir testen nun die Hypothese
H0 : Q ∼ N (·, ·) gegen H1 : Q 6∼ N (·, ·)
mittels der Jarque-Bera-Teststatistik, welche unter der Nullhypothese χ22 -verteilt
ist:
!
2
(K
−
3)
T
S2 +
JB =
6
4
JB ∼ χ22
Ein Problem ist freilich, dass wir die Nullhypothese durch diesen Test zwar gegebenenfalls signifikant ablehnen können, wir können sie aber nicht gesichert akzeptieren. Wir können uns also niemals statistisch wirklich gesichert dafür entscheiden, dass die Daten tatsächlich normalverteilt sind. Eine Analyse der statistischen
Macht zeigt sich zudem als kompliziert, da die Verteilung unter der Alternativhypothese gänzlich unbekannt ist.
Es ist jedoch anzunehmen, dass der Jarque-Bera-Test für eine ausreichend große
Stichprobe in Verbindung mit den anderen beiden Tests zur Überprüfung auf
Vorliegen einer Standardnormalverteilung genügend Aussagekraft besitzt, um eine
Nicht-Zurückweisung der Nullhypothese als Annahme interpretieren zu können.
69
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Zusammenfassung des Testverfahrens
Hypothesentest
1. Testproblem
H0 : Q ∼ N (·, ·) gegen H1 : Q 6∼ N (·, ·)
2. Testfunktion
T
JB =
6
(K − 3)2
S2 +
4
!
JB ∼ χ22
3. Ablehnungsbereich
A=
χ22
−1
(1 − α) , +∞
4. Entscheidungsregel
H0 ablehnen, wenn die Testfunktion im Ablehnungsbereich liegt. Ansonsten H0
nicht ablehnen.
2.4.6. Regression auf Mittelwert, Varianz und
Autokorrelation
Berkowitz (2001) schlägt vor, Mittelwert, Varianz und eine mögliche Autokorrelation erster Ordnung in den Daten durch eine Regression zu überprüfen. Wir
orientieren uns hier an seinem Konzept und führen einen AR(1)-Prozess ein:
Qt = µ + ρQt−1 + t
t ∼ N 0, σ 2
Dieses Modell geht also davon aus, dass unsere Daten normalverteilt mit einer
bestimmten Varianz sind und einem Erwartungswert, der sich aus einem konstanten Ausdruck und einem Anteil des vorherigen realisierten Wertes zusammensetzt.
Wir wollen am Ende auf Vorliegen einer Standardnormalverteilung testen. Dafür
sollte die Varianz σ 2 genau 1 sein, der konstante Erwartungswert µ sollte 0 sein.
Zudem sollten die Daten unabhängig voneinander sein, das heißt ein Wert sollte
Frankfurt School of Finance & Management
Working Paper No. 192
70
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
unbeeinflusst von der jeweils vorherigen Realisation sein. Dies wäre für ρ = 0 der
Fall.
Die empirischen Werte dieser Parameter können wir durch einfache Regression erhalten. Doch müssen wir schließlich testen, ob sie gegebenenfalls auch signifikant
von den unter Standardnormalverteilung zu erwartenden Werten sind - wir müssen also einen Hypothesentest durchführen. Dazu werden wir nun die der obigen
Modellgleichung zugehörigen Likelihood-Funktion herleiten, über die wir letztlich
einen Likelihood-Quotienten-Test der Hypothese durchführen können.
Mit Parametervektor
θ = µ, σ 2 , ρ
gilt für Q1 :
µ
1−ρ
σ2
V ar (Q1 ) =
1 − ρ2
E (Q1 ) =
Annahmegemäß ist t normalverteilt. Da dies die einzige Zufallsgröße ist, die in Y1
eingeht, ist auch Y1 normalverteilt mit Dichtefunktion
 2 
µ
q1 −

1
1−ρ 


fQ1 (q1 ; θ) = s
exp −

2
2σ


2πσ 2
2
1−ρ
1 − ρ2
Auch die bedingte Wahrscheinlichkeit aller nachfolgenden Werte (Q2 , Q3 , . . . ,QT )
sind, gegeben einer Realisation des jeweiligen vorherigen Wertes, normalverteilt
mit
E (Qt |Qt−1 ) = µ + ρqt−1
V ar (Qt |Qt−1 ) = σ 2
(Qt |Qt−1 ) ∼ N µ + ρqt−1 , σ 2
für 2 ≤ t ≤ T . Die bedingte Dichtefunktion für Qt ist also
(qt − µ − ρqt−1 )2
fQt (qt |qt−1 ; θ) = √
exp −
2σ 2
2πσ 2
1
71
Frankfurt School of Finance & Management
Working Paper No. 192
!
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Die Dichtefunktion eines beliebigen Qt ergibt sich nun also durch:
fQt (qt , qt−1 , qt−2 , . . . , q1 ; θ) = fQ1 (q1 ; θ) ·
t
Y
fQi |Qi−1 (qi |qi−1 ; θ)
i=2
Die Likelihood der gesamten Daten ergibt sich für t = T :
L (q1 , . . . , qT ; θ) = fQ1 (q1 ; θ) ·
T
Y
fQi |Qi−1 (qi |qi−1 ; θ)
i=2
 2 
µ
!
q1 −
T

1
(qi − µ − ρqi−1 )2
1−ρ 

 Y 1
√
exp −
exp −
=s
·
2σ 2

 i=2 2πσ 2
2σ 2
2πσ 2
1 − ρ2
1 − ρ2
Durch logarithmieren ergibt sich die Log-Likelihood-Funktion:
ln L (q1 , . . . , qT ; θ)

2 
µ
!!

q1 −
T
2



 X
1
1
(q
−
µ
−
ρq
)
1
−
ρ


i
i−1
= ln 
exp −
+
ln √
exp −

2
2
s

2
2σ


2σ
2πσ
 2πσ 2
 i=2
2
1
−
ρ
1 − ρ2

  2 
µ
!!

 
q1 −
T
2

X


1
1
(qi − µ − ρqi−1 )
1−ρ 
+
= ln 
ln √
exp −
−
+
2
s

2
2σ
 i=2
2σ 2
2πσ
 2πσ 2  
1 − ρ2
1 − ρ2
 2 
µ
21 ! 
q1 −
2
1
σ
1−ρ 


= ln (1) − ln (2π) 2
+
−


2σ 2
1 − ρ2


2
1−ρ
T
X
1 (qi − µ − ρqi−1 )2
2 −2
−
+
ln 2πσ
2σ 2
i=2
 Frankfurt School of Finance & Management
Working Paper No. 192
72
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
also
 µ

q1 −
2
1
σ
1
1−ρ

+ −
ln L (q1 , . . . , qT ; θ) = − ln (2π) − ln
2
2σ 2
2
2
1−ρ

1 − ρ2
2 




T
X (qi − µ − ρqi−1 )2
T −1
T −1
2
−
ln (2π) −
ln σ −
2
2
2σ 2
i=2
Uns bietet sich nun die Möglichkeit, verschiedene Hypothesen mittels LikelihoodQuotienten-Test zu überprüfen. Wir können dabei bestimmte Aussagen über den
Erwartungswert, die Varianz und die Autokorrelation erster Ordnung und jede
beliebige Kombination dieser drei Charakteristika treffen.
Da wir mit diesem Test Aussagen über eine mögliche unabhängige Standardnormalverteilung unserer Daten treffen wollen bietet sich ein gemeinsamer Test an,
welcher auf einen Mittelwert von 0, eine Varianz von 1 und eine Autokorrelation
erster Ordnung von 0 prüft:
H0 : θ = µ, σ 2 , ρ = (0, 1, 0) vs. H1 : θ 6= (0, 1, 0)
Als Teststatistik nutzen wir einen Likelihood-Quotienten-Test,
Λ q, µ
b, σ
b2 , ρb = −2 ln L (q; (0, 1, 0)) − ln L q; µ
b, σ
b2 , ρb
Λ q, µ
b, σ
b2 , ρb ∼ χ23
Zum bestimmen der empirischen Parameter θb = (b
µ, σ
b2 , ρb) könnte nun die LogLikelihood-Funktion optimiert werden - in unserem Fall bietet es sich aber an, eine
einfache Regression nach der Methode kleinster Quadrate durchzuführen, welche
hier auf die selben Ergebnisse wie die exakte Maximum Likelihood-Parameterschätzung
kommt.
73
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Zusammenfassung des Testverfahrens
Hypothesentest
1. Testproblem
H0 : µ, σ 2 , ρ = (0, 1, 0) gegen H1 : µ, σ 2 , ρ 6= (0, 1, 0)
2. Testfunktion
Λ q, µ
b, σ
b2 , ρb = −2 ln L (q; (0, 1, 0)) − ln L q; µ
b, σ
b2 , ρb
 µ

q1 −
2
1
1
σ
1−ρ

ln L (q; θ) = − ln (2π) − ln
+ −
2
2σ 2
2
2
1−ρ

1 − ρ2
2 




T
X (qi − µ − ρqi−1 )2
T −1
T −1
2
ln (2π) −
ln σ −
−
2
2
2σ 2
i=2
Λ q, µ
b, σ
b2 , ρb ∼ χ23
µ
b, σ
b2 , pb können per linearer Regression gefunden werden.
3. Ablehnungsbereich
A=
χ23
−1
(1 − α) , +∞
4. Entscheidungsregel
H0 ablehnen, wenn die Testfunktion im Ablehnungsbereich liegt. Ansonsten H0
nicht ablehnen.
2.4.7. Fazit zu ganzheitlichen Validierungsmodellen
In diesem Abschnitt sind wir zuerst auf die Rosenblatt-Transformation eingegangen, welche, bei korrekter Spezifikation des Risikomodells, die Realisationen unserer Risikoverteilung in eine Gleichverteilung transformieren kann. Wir testeten
anschließend auf die Form der Gleichverteilung.
Frankfurt School of Finance & Management
Working Paper No. 192
74
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Um die Gleichverteilungsannahme zu überprüfen mussten wir auf nicht-parametrische
Testverfahren zurückgreifen. Ein Nachteil dieser Testverfahren ist jedoch ihr schlechtes Abschneiden in Stichproben kleinen Umfangs.
Um auf parametrische Tests zurückgreifen zu können haben wir die Daten anschließend nochmals transformiert, um - zumindest ebenfalls bei korrekt spezifiziertem
Modell - standardnormalverteilte Daten zu erhalten. Wir testeten erneut auf die
Form der eigentlichen Verteilung sowie auf Unabhängigkeit.
Sowohl bei nicht-parametrischen als auch bei parametrischen Tests auf eine Verteilung stellte sich uns jedoch das Problem, dass das Zutreffen der Verteilungsannahme in der Nullhypothese angegeben werden musste. Damit kann die Verteilungsannahme, also die Annahme auf Gleich- oder Standardnormalverteilung,
zwar signifikant abgelehnt werden, jedoch nicht statistisch gesichert angenommen
werden. Eine genauere Analyse des β-Fehlers bzw. der statistischen Macht zeigt
der Verfahren sich problematisch, da dazu konkrete Verteilungen für die Alternativhypothese angenommen werden müssten - dies wäre jedoch reine Spekulation
und damit nicht aussagekräftig.
Technisch gesehen können wir also auch durch die vorgestellten Tests keine absolut
gesicherte Aussage über die Verteilungsform treffen. Vor allem in Zusammenhang
mit ergänzenden Tests erscheint es jedoch gleichermaßen legitim wie unumgänglich, ein nicht-Ablehnen der Nullhypothese hier mit einer Annahme derselbigen
gleichzusetzen. Mögliche praktische Auswirkungen werden sich gegebenenfalls in
der Simulation in Abschnitt 3 zeigen.
75
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
2.5. Validierung basierend auf einem Teilbereich
der Verteilung
Im vorherigen Abschnitt versuchten wir abzuschätzen, ob die Prognose der kompletten Risikoverteilung mit der Realität vereinbar ist. Dies hatten den Vorteil,
dass wir alle uns zur Verfügung stehenden Informationen über unsere Risikovariable nutzen konnten. Problematisch ist jedoch, dass für das Risikomanagement
in aller Regel nicht die korrekte Spezifikation der gesamten Verteilung, sondern
lediglich die korrekte Spezifikation der Randbereiche von Interesse ist.
Wir werden uns daher nun der Frage widmen, wie man überprüfen kann, ob der
Randbereich beginnend ab −∞ bis −V aR korrekt spezifiziert ist. Bei Zutreffen
impliziert dies direkt eine korrekte Spezifikation des Expected Shortfall. Die nun
vorgestellten Verfahren eignen sich also hervorragend zur Validierung desselben,
da Abweichungen im relevanten Randbereich erkannt werden können, ohne dabei
von Abweichungen in den für das Risikomanagement weniger interessanten Verteilungsbereichen beeinflusst zu werden.
2.5.1. Gestutzter Likelihood-Quotienten-Test
Berkowitz (2001) schlägt vor, eine neue Zufallsvariable Q∗ einzuführen, welche den
Wert unserer Risikovariable ∆V unter der Bedingung annimmt, dass das p-Quantil
unterschritten wurde.
Man kann sich dies in etwa so vorstellen, dass nur noch der Randbereich einer
Verteilung von Bedeutung ist, exemplarisch durch den blau unterlegten Bereich
folgender Abbildung dargestellt:
0.4
0.3
0.2
-4
F-1H5%L
-2
0.1
2
4
Abbildung 2.24.: Stutzung einer Standardnormalverteilung bei Φ−1 (5%)
Frankfurt School of Finance & Management
Working Paper No. 192
76
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Die Abbildung ist insofern nicht ganz korrekt, als dass die Dichtefunktion der
gestutzten Verteilung bezogen auf ihre Fläche noch auf 1 normiert werden muss.
Dies ändert jedoch nur die Größenverhältnisse, nicht die eigentliche Form.
Mathematisch definieren wir eine neue Zufallsvariable Q∗ wie folgt:
P (Q∗ ≤ q ∗ ) = P Q ≤ q ∗ |Q ≤ FQ−1 (p∗ )
Wir weichen von Berkowitz (2001) ab, indem wir die neue Zufallsvariable nur
für tatsächliche Quantilsüberschreitungen definieren.14 Wir gehen also von einer
gestutzten statt von einer zensierten Verteilung aus. Die Dichtefunktion von Q∗
entspricht unter der Nullhypothese von der Form her einer Standardnormalverteilung, durch die Einschränkung jedoch nur noch von −∞ bis FQ−1 . Die Wertemenge
von Q∗ ist also −∞, FQ−1 (p) .
Die Dichtefunktion von Q∗ ist
(x − µ)2
√
exp −
2σ 2
2πσ 2
!
fQ∗ (x) =
FQ−1 (p) − µ
Φ
σ
1
!
1
φ
σ
=
Φ
x−µ
σ
FQ−1 (p) − µ
σ
!
Zur Parameterschätzung und für Hypothesentests können wir nun erneut eine
Likelihood-Funktion konstruieren. Sei T ∗ die die Anzahl der Q, die kleiner oder
gleich dem p∗ -Quantil der Standardnormalverteilung sind. Dies entspricht im Übrigen genau unserer Zufallsvariable der summierten Anzahl aller Value at RiskÜberschreitungen I, also T ∗ = I. Mit θ = (µ, σ) gilt:
∗
L (q1∗ , . . . , qT∗ ; θ)
=
T
Y
fQ∗i (qi∗ ; θ)
i=1
!!
∗
X
T∗
T∗ −1
X
F
(p)
−
µ
1
q
−
µ
Q
φ i
ln Φ
−
ln L (q1∗ , . . . , qT∗ ; θ) =
σ
σ
σ
t=1
i=1
"
!#
!!
T∗
T∗
−1
2
∗
X
X
1
F
(p)
−
µ
(q
−
µ)
−
Q
=
ln 2πσ 2 2 exp − i 2
−
ln Φ
2σ
σ
t=1
i=1
"
#
!!
∗
T
X
(qi∗ − µ)2
FQ−1 (p) − µ
1
2
∗
− T ln Φ
=
− ln 2πσ −
2
2σ 2
σ
i=1
14
Berkowitz definiert Q∗t für jedes Qt und berechnet dies als Q∗t = min Qt , Φ−1 (p)
77
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Wir testen nun die Hypothesen
H0 : Q ∼ NT 0, 1, FQ−1 (p) gegen H1 : Q 6∼ NT 0, 1, FQ−1 (p)
N (µ, σ 2 , T ) ist dabei die Normalverteilung N (µ, σ 2 ) mit Stutzung ab der Stelle T ,
d.h. Wertebereich ihrer Dichtefunktion von [−∞, T ]. Wir testen hier also letztlich,
ob der linke Rand Q dem einer Standardnormalverteilung entspricht. Werte, die im
Zentrum oder am rechten Rand der Verteilung liegen werden bewusst ignoriert.
Den eigentlichen Test führen wir erneut durch einen Likelihood-Quotienten-Test
durch:
b, σ
b2
Λ µ
b, σ
b2 = −2 ln L (0, 1) − ln L µ
Λ µ
b, σ
b2 ∼ χ22
Die Schätzer µ
b und σ
b2 müssen numerisch durch Optimierung der logarithmierten
Likelihood-Funktion gefunden werden.
Zusammenfassend prüfen wir hier also darauf, ob der linke Randbereich der Verteilung korrekt abgebildet wird. Wir haben dabei jedoch nicht auf eine mögliche
Autokorrelation der Daten getestet. Dies muss bei Bedarf separat, beispielsweise
anhand des ebenfalls im Rahmen dieser Arbeit vorgestellten Markow-Tests, durchgeführt werden.
Frankfurt School of Finance & Management
Working Paper No. 192
78
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Zusammenfassung des Testverfahrens
Hypothesentest
1. Testproblem
H0 : Q ∼ NT 0, 1, FQ−1 (p) gegen H1 : Q 6∼ NT 0, 1, FQ−1 (p)
2. Testfunktion
b, σ
b2
Λ µ
b, σ
b2 = −2 ln L (0, 1) − ln L µ
"
#
T∗
2
∗
X
1
(q
−
µ)
L (q∗ ; θ) =
− ln 2πσ 2 − i 2
− T ∗ ln Φ
2
2σ
i=1
2
Λ µ
b, σ
b ∼ χ22
FQ−1 (p) − µ
σ
!!
3. Ablehnungsbereich
A=
χ22
−1
(1 − α) , +∞
4. Entscheidungsregel
H0 ablehnen, wenn die Testfunktion im Ablehnungsbereich liegt. Ansonsten H0
nicht ablehnen.
2.5.2. Gauss-Test des Expected Shortfall bei gestutzter
Verteilung
Unter der Nullhypothese einer korrekten Modellspezifikation sind die per Wahrscheinlichkeitsintegral transformierten Daten approximativ standardnormalverteilt.
Im vorherigen Abschnitt definierten wir eine Zufallsvariable Q∗ , welche lediglich die
transformierten Werte kleiner gleich des p∗ -Quantils der Standardnormalverteilt
erfasst. Die Dichtefunktion dieser Variable wurde bereits angegeben.
79
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Unter Zutreffen der Nullhypothese können wir diese jedoch noch weiter vereinfachen, da die sich in diesem Fall auf die Standardnormalverteilung bezieht:
φ (x)
p∗
φ (Φ−1 (p∗ ))
E (Q∗ |H0 ) = −
p∗
2
Φ−1 (p∗ ) φ (Φ−1 (p∗ ))
−φ (Φ−1 (p∗ ))
∗
V ar (Q |H0 ) = 1 −
−
p∗
p∗
fQH∗0 (x) =
Da Q∗ unter der Nullhypothese i.i.d. ist konvergiert der Erwartungswert der Folge
Q∗1 , . . . , Q∗T ∗ gegen eine Normalverteilung mit Erwartungswert und Varianz wie
oben angegeben.
Aufgrund des zentralen Grenzwertsatzes gilt nun:
ΥT ∗ (Q∗ ) =
√
Q∗ − E (Q∗ |H0 )
T∗ p
V ar (Q∗ |H0 )
∗
mit
Q∗
T
1 X ∗
= ∗
Q
T i=1 i
lim P (ΥT ∗ ≤ z) = Φ (z)
T ∗ →∞
Das standardisierte arithmetische Mittel der Folge Q∗1 , . . . , Q∗T ∗ konvergiert also
unter der Nullhypothese gegen eine Standardnormalverteilung.
c∗ , in
Wir prüfen nun, ob das arithmetische Mittel unserer realisierten Daten, Q
Einklang zu bringen ist mit dem eigentlich anzunehmenden Erwartungswert der
gestutzten Standardnormalverteilung, E (Q∗ |H0 ):
c∗ gegen H : E (Q∗ |H ) 6= Q
c∗
H0 : E (Q∗ |H0 ) = Q
1
0
Der Ablehnungsbereich A mit Signifikanzniveau α wird berechnet durch:
α α
A = −∞, Φ−1
∪ Φ−1 1 −
, +∞
2
2
Wir lehnen die Nullhypothese ab, wenn die Teststatistik in den Ablehnungsbereich
fällt, also bei ΥT ∗ (Q∗ ) ∈ A.
Dieses eigentlich sehr elegante Verfahren wird in der Praxis leider oft von der geringen Mengen an verfügbaren Daten negativ beeinflusst. Die hier aus dem zentralen Grenzwertsatz gezogenen Schlussfolgerungen gelten nur für eine große Anzahl
Frankfurt School of Finance & Management
Working Paper No. 192
80
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
verschiedener Realisation von Q∗ . Bei etwa 250 Handelstagen würden, in einem
korrekt spezifizierten Modell, jedoch im Durchschnitt weniger als 3 Realisationen
von Q∗ vorliegen. Im nächsten Abschnitt werden wir versuchen, dieses Problem zu
verbessern.
Zusammenfassung des Testverfahrens
Hypothesentest
1. Testproblem
c∗ gegen H : E (Q∗ |H ) 6= Q
c∗
H0 : E (Q∗ |H0 ) = Q
1
0
2. Testfunktion
Υ (Q∗ ) =
√
Q∗ − E (Q∗ |H0 )
T∗ p
V ar (Q∗ |H0 )
∗
Q∗
T
1 X ∗
= ∗
Q
T i=1 i
φ (Φ−1 (p))
p
2
Φ−1 (p) φ (Φ−1 (p))
−φ (Φ−1 (p))
∗
V ar (Q |H0 ) = 1 −
−
p
p
∗
Υ (Q ) ∼ N (0, 1)
E (Q∗ |H0 ) = −
3. Ablehnungsbereich
α α
∪ Φ−1 1 −
, +∞
A = −∞, Φ−1
2
2
4. Entscheidungsregel
H0 ablehnen, wenn die Testfunktion im Ablehnungsbereich liegt. Ansonsten H0
nicht ablehnen.
81
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
2.5.3. Sattelpunktapproximation mittels Lugannani
Rice-Formel zum Überprüfen des Expected
Shortfall
Die bislang vorgestellten Verfahren zur Überprüfung einer Expected ShortfallPrognose litten vor allem an schlechten Eigenschaften in kleinen Stichproben ein großes Problem, da die Anzahl an Überschreitungen in der Praxis tatsächlich
sehr klein ist.
Die von Wong (2008) präsentierte, in diesem Abschnitt diskutierte Methode zielt
darauf ab, auch in kleinen Stichproben bessere Aussagen erzielen zu können. Detailliertere Ausführungen zur Sattelpunktapproximation werden von DasGupta (2008)
vorgestellt. Prinzipiell gesehen wird über die Inversion einer Fouriertransformation versucht, die Dichtefunktion zu rekonstruieren und diese zu integrieren, um die
Verteilungsfunktion zu erhalten. Die Lugannani Rice-Formel, die auf diesem Prinzip basiert, gilt dabei als besonders präzise allgemein, aber auch im Speziellen in
den Randbereichen.
Ausgangspunkt ist unsere bereits definierte Zufallsvariable Q∗ , welche alle Werte,
die unterhalb des FQ−1 (p∗ )-Quantils liegen, beinhaltet. Als Expected Shortfall der
Verteilung von Q definieren wir daher
∗
ES =
−Q∗
T
1 X ∗
=− ∗
Q
T i=1 i
Sei q = Φ−1 (p∗ ). Die momenterzeugende Funktion und ihre ersten drei Ableitungen
bezogen auf die Zufallsvariable Q∗ sind definiert durch
2
1
t
M (t) = ∗ exp
· Φ (q − t)
p
2
φ (q)
M 0 (t) = t · M (t) − exp (t · q) ∗
p
q · φ (q)
M 00 (t) = t · M 0 (t) + M (t) − exp (q · t) ·
p∗
q 2 φ (q)
M 000 (t) = t · M 00 (t) + 2M 0 (t) − exp (q · t) ·
p∗
Frankfurt School of Finance & Management
Working Paper No. 192
82
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
und kumulantengenerierender Funktion
K (t) = ln (M (t))
M 0 (t)
K 0 (t) =
M (t)
0 2
M (t)
M 00 (t)
00
K (t) = −
+
M (t)
M (t)
2M 0 (t)3 3M 0 (t) M 00 (t) M 000 (t)
−
+
K (t) =
M (t)
M (t)3
M (t)2
000
Wir bestimmen nun den Sattelpunkt $ so, dass er dem arithmetischen Mittel
der realisierten Werte unserer Zufallsvariable q ∗ entspricht, indem wir die folgende
Gleichung numerisch nach $ lösen:
K 0 ($) = q ∗
Anschließend berechnen wir zwei Werte η und ζ wie folgt:
p
η = $ T ∗ K 00 ($)
q
ζ = sgn ($) 2T ∗ ($q ∗ − K ($))
sgn (x) ist dabei die Signumfunktion.
Mit diesen berechneten Werten können wir nun die Lugannani-Rice-Formel anwenden, welche die Wahrscheinlichkeit angibt, dass Q∗ unter der Nullhypothese
kleiner gleich unserem empirischen Wert q ∗ ist:

1
1
−3/2
∗


Φ (ζ) − φ (ζ) ·
− +O T
für Q∗ < q


η
ζ

 1
K 000 (0)
∗ −3/2
P Q∗ ≤ q ∗ = − + q
+O T
für Q∗ = µQ∗

2
3

∗
00

6 2πT (K (0))



1
für Q∗ ≥ q
O ist hierbei ein Landau-Symbol, welches das Konvergenzverhalten des Ausdrucks
beschreibt.
Wir testen die Hypothese, ob der theoretisch zu erwartende Wert unserer Zufallsvariable mit ihrem realisierten arithmetischen Mittel vereinbar ist:
H0 : E (Q∗ ) ≥ q ∗ gegen H1 : E (Q∗ ) < q ∗
83
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Bei Zutreffen der Nullhypothese liegt der Expected Shortfall der Stichprobe in der
Nähe des theoretisch zu erwartenden Expected Shortfall eines korrekt spezifizierten
Modells.
Zusammenfassung des Testverfahrens
Hypothesentest
1. Testproblem
H0 : E (Q∗ ) ≥ q ∗ gegen H1 : E (Q∗ ) < q ∗
2. Testfunktion

1 1
∗ −3/2


Φ (ζ) − φ (ζ) ·
− +O T


η
ζ

 1
K 000 (0)
∗ −3/2
∗
∗
P Q ≤q = − + q
+O T

2

∗ (K 00 (0))3

6
2πT



1
P Q∗ ≤ q ∗ ∼ U (0, 1)
für Q∗ < q
für Q∗ = µQ∗
für Q∗ ≥ q
3. Ablehnungsbereich
A = (0, α)
4. Entscheidungsregel
H0 ablehnen, wenn die Testfunktion im Ablehnungsbereich liegt. Ansonsten H0
nicht ablehnen.
Frankfurt School of Finance & Management
Working Paper No. 192
84
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
3. Simulation
Im Folgenden werden wir die vorgestellte Validierungsmodelle in einer Simulation überprüfen. Von Interesse wird dabei zum einen die Ablehnungsrate korrekter
Risikomodelle (α-Fehler) als auch die Ablehnungsrate falscher Risikomodelle (statistische Macht) sein. Die Hypothese H0 wird dabei stets für die Angemessenheit
eines Risikomodells stehen. Die Hypothese H1 steht für einen Fehler im Risikomodell, der beispielsweise in einer Über- oder Unterschätzung des Risikos resultieren
könnte.
Es werden für jede Iteration der Simulation von einem datengenerierenden Prozess 350 normalverteilte Werte erzeugt. Erwartungswert und Varianz folgen dabei
bestimmten, später im Abschnitt genauer aufgeführten Vorschriften. Diese jeweils
350 Daten werden als “reale Renditen” betrachtet, die von einem Risikomodell
abgebildet und eingeschätzt werden sollen.
Ein Risikomodell trifft schließlich Prognosen für diese realen Werte. Die ersten 100
Realisationen werden nur zur Parameteradjustierung genutzt, die darauf folgenden
250 Werte werden vom Risikomodell schließlich auf täglicher Basis prognostiziert.
Für jeden Zeitpunkt t = 1, . . . , 250 existiert also eine Schätzung bezüglich Erwartungswert und Varianz der Portfoliorenditen, die vom Risikomodell am Vortag t−1
berechnet wurde, und ein realer Wert, der im ersten Schritt vom datengenerierenden Prozess erzeugt wurde.
Basierend auf diesen Daten können nun alle Werte berechnet werden, die von den
Validierungsverfahren benötigt werden - etwa realisierte Value at Risk-Überschreitungen,
die Rosenblatt-Transformation der realen Werte etc. Das Konfidenzniveau des Value at Risk wird in der Simulation stets 95% sein.
Die Algorithmen sind dabei so konzipiert, dass zu jeder Teststatistik ein konkreter
Signifikanzwert, auch bekannt als p-Wert, berechnet wird. Die Hypothese H0 wird
verworfen, wenn der Signifikanzwert geringer als das gewünschte α-Niveau des
Hypothesentests ist.
Wir werden im Folgenden sechs verschiedene Ausgangssituationen betrachten:
1. Das Risikomodell ist korrekt spezifiziert. Wie hoch ist der α-Fehler der Validierungsmodelle?
85
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
2. Das Risikomodell ist falsch spezifiziert. Die Daten werden von einem GJRGARCH-Prozess erzeugt, das Risikomodell berechnet Parameter auf einfacher, rollierender Basis.
3. Das Risikomodell ist falsch spezifiziert. Die Daten werden von einem GJRGARCH-Prozess erzeugt, das Risikomodell berechnet Parameter mit exponentieller Glättung.
4. Das Risikomodell ist falsch spezifiziert. Die Daten werden von einem GJRGARCH-Prozess erzeugt, das Risikomodell berechnet Parameter mittels GARCHPrognose.
5. Das Risikomodell ist falsch spezifiziert und unterschätzt das reale Risiko
konstant.
6. Das Risikomodell ist falsch spezifiziert. Zwar wird der Value at Risk korrekt
abgebildet, jedoch wird der Expected Shortfall unterschätzt.
Bei den letzten drei der genannten Punkte steht dabei die Analyse der statistischen Macht im Vordergrund. Die genutzten Verfahren zur Erzeugung der Daten
und Prognose der Parameter entsprechen den in Abschnitt 2.2.2 erläuterten Methoden. Für jede Ausgangssituation werden wir 100.000 Simulationsdurchgänge
durchführen.
3.1. Korrekt spezifiziertes Risikomodell
Mit einem korrekt spezifizierten Risikomodell sollten die Signifikanzwerte einer
Gleichverteilung folgen. Dies ergibt sich daraus, dass die Ablehnungsrate eines
korrekten Modells genau dem α-Fehler des Hypothesentests entsprechen sollte der Signifikanzwert sollte also beispielsweise genau in 5% aller Fälle kleiner gleich
5% sein.
Diese Eigenschaft werden wir nun für alle Testverfahren prüfen. Der datengenerierende Prozess der “realen Renditen” folgt zu jedem Zeitpunkt einer Normalverteilung mit Erwartungswert 0 und Varianz 1. Das Risikoprognosemodell geht
ebenfalls in jedem Zeitpunkt von einem Erwartungswert in Höhe von 0 und einer
Varianz in Höhe von 1 aus und ist somit korrekt spezifiziert. Wir betrachten nun
die Histogramme der Signifikanzwerte der verschiedenen Testverfahren. Auf der
x-Achse ist jeweils der Wert der Signifikanzwerte in Abständen von 5% pro Balken abgetragen, auf der y-Achse werden deren relative Häufigkeiten dargestellt.
Idealerweise sollten alle relativen Häufigkeiten genau 5% betragen, d.h. genau auf
Höhe der jeweils eingezeichneten schwarzen Linie sein.
Frankfurt School of Finance & Management
Working Paper No. 192
86
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
TUFF
POF
MLF
Markow
Kuiper
Kolmogorov
Jarque Bera
Regression
Gestutzt
Gauss gestutzt
Lugannani Rice
Die meisten Testverfahren erzeugen in der Tat weitestgehend gleichverteilte Signifikanzwerte. Lediglich POF- und Markow-Verfahren weichen deutlich von einer
Gleichverteilung ab. Dies wird nochmals verdeutlicht, wenn man die empirischen
Verteilungsfunktionen der Signifikanzwerte betrachtet:
87
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
TUFF
POF
MLF
Markow
Kuiper
Kolmogorov
Jarque Bera
Regression
Gestutzt
Gauss gestutzt
Lugannani Rice
Sowohl beim Proportion of Failure-Verfahren als auch beim Markow-Test auf Unabhängigkeit zeigen sich bereits hier deutliche Schwächen, da die tatsächlichen
α-Fehler deutlich von ihren spezifizierten Werten abweichen. Beim POF-Verfahren
ist dies ein kleineres Problem, da die Verteilung zumindest für kleine Signifikan-
Frankfurt School of Finance & Management
Working Paper No. 192
88
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
zwerte bis 5% noch recht präzise ist und somit die üblichen α-Niveaus von Hypothesentests weitestgehend realitätsnah sind. Die Verteilung des Markow-Tests
weicht jedoch auch für kleine Werte bereits deutlich von einer Gleichverteilung ab.
Der tatsächliche α-Fehler ist hier deutlich geringer als der erwartete α-Fehler. Dies
bedeutet, dass der Markow-Test wesentlich seltener korrekte Modelle ablehnt als
eigentlich zu erwarten wäre. Was zunächst sogar nach einem Vorteil klingt ist jedoch in der Praxis höchst problematisch, da in der Regel mit niedrigerem α-Fehler
auch die statistische Macht eines Testverfahrens sinkt.
89
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
3.2. Risikomodell mit rollierenden Varianzen
Wir gehen nun von einem Risikomodell aus, das die Parameter für die zukünftige
Periode prognostiziert, indem es den jeweiligen Durchschnitt der vergangenen 90
Tage berechnet. Im Vergleich zum realen Prozess passen sich die Parameter hier
deutlich zu langsam an, was schnell zu Über- und Unterschätzung von Risiken
führen kann.
Das Risikomodell ist eindeutig falsch und sollte daher von den Validierungsverfahren möglichst oft abgelehnt werden.
Statistische Macht bei α = 5%
Statistische Macht bei α = 1%
Frankfurt School of Finance & Management
Working Paper No. 192
90
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
3.3. Risikomodell mit exponentiell geglätteten
Varianzen
Im nun präsentierten Risikomodell erfolgen Parameterschätzungen über exponentielle Glättung mit Glättungsparameter 0,94.
Das Modell sollte sich wesentlich schneller an Änderungen anpassen als das vorherige Risikomodell. Dennoch ist auch dieses Modell falsch und sollte von den
Validierungsmethoden abgelehnt werden. Die relative Häufigkeit der Ablehnungen
der Nullhypothese entspricht der statistischen Macht.
Statistische Macht bei α = 5%
Statistische Macht bei α = 1%
91
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
3.4. GARCH-Risikomodell
Ein GARCH-Modell entspricht bereits relativ gut dem tatsächlichen datengenerierenden Prozess. Technisch gesehen ist auch dieses Risikomodell falsch, da es im
Gegensatz zum realen GJR-GARCH-Modell keine Asymmetrie von stochastischen
Einflüssen einbeziehen kann. In der Praxis würde sich allerdings die Frage stellen,
ob wir mit diesem Modell nicht bereits nahe genug an der Realität liegen, um es
als korrektes Modell anzuerkennen. Tatsächlich wird man es niemals schaffen, den
realen Prozess exakt abzubilden. Mit der GARCH-Prognose liegen wir allerdings
schon relativ nahe an der Realität und es könnte deshalb wünschenswert sein, das
Modell im Einsatz zu belassen.
Die nachfolgende der statistischen Macht sollte also mit Vorsicht interpretiert werden. Prinzipiell ist es zwar korrekt, das GARCH-Modell abzulehnen - in der Praxis
könnte es aber dennoch sinnvoll sein, dieses Modell bewusst nicht abzulehnen.
Statistische Macht bei α = 5%
Statistische Macht bei α = 1%
Frankfurt School of Finance & Management
Working Paper No. 192
92
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
3.5. Konstante Risikounterschätzung
Wir gehen nun dazu über, das Risiko bewusst konstant zu unterschätzen. Wir
lassen Daten aus einer Normalverteilung mit Erwartungswert 0 und Varianz 1,5
generieren, gehen im Risikomodell aber von einer Normalverteilung mit Erwartungswert 0 und Varianz 1 aus.
Statistische Macht bei α = 5%
Statistische Macht bei α = 1%
Die niedrige Macht des Markow-Verfahrens ergibt sich aus der Testkonstellation es liegt schlicht keine Autokorrelation in den Daten vor. Das Markow-Modell hat
hier also keinen Anlass, das Modell zu verwerfen.
Im ersten Moment überraschender erscheint hier das schlechte Abschneiden des
Jarque Bera-Verfahrens. Im Rahmen dieser konkreten Simulationskonstellation
entspricht die Serie, die durch Transformation per Wahrscheinlichkeitsintegral der
93
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Rosenblatt-transformierten Daten hervorgeht, genau der ursprünglich generierten
Serie - hier also Realisationen einer Normalverteilung mit Erwartungswert 0 und
Varianz 1,5. Der Jarque Bera-Test prüft jedoch lediglich auf Schiefe und Kurtosis.
Diese beiden Werte sind natürlich unabhängig von Erwartungswert und Varianz
der unterliegenden Normalverteilung. Wir hätten hier also Daten mit beliebigem
Erwartungswert und beliebiger Varianz generieren können - der Jarque Bera-Test
hätte das Modell trotzdem in ca. 1 − α Prozent aller Fälle nicht verworfen. Wir
sehen hier sehr deutlich, dass der Jarque Bera-Test nicht ohne ergänzende Tests
genutzt werden sollte, da er zwar gewisse Aspekte der Form einer Verteilung überprüft, nicht jedoch die Varianz der Daten.
3.6. Korrekter Value at Risk, unterschätzter
Expected Shortfall
Wir lassen nun Daten generieren aus einer T-Verteilung mit zwei Freiheitsgraden (blau gezeichneter Graph im Bild), gehen im Risikomodell jedoch von einer
Normalverteilung mit Erwartungswert 0 und Standardabweichung 1,78 aus (gepunktete schwarze Linie im Bild):
0.35
0.30
0.25
0.20
0.15
0.10
0.05
-6
-4
-2
2
4
6
T- und Normalverteilung
Bei beiden Verteilungen liegt das 5%-Quantil bei -2,92, sodass der Value at Risk
auf 5%-Niveau identisch ist. Der Expected Shortfall der T-Verteilung beträgt 6,16,
der Expected Shortfall der Normalverteilung hingegen ist 3,66. Das Risikomodell
schätzt also einen korrekten Value at Risk, unterschätzt den Expected Shortfall
jedoch deutlich.
Frankfurt School of Finance & Management
Working Paper No. 192
94
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Statistische Macht bei α = 5%
Statistische Macht bei α = 1%
TUFF und POF schneiden hier erwartungsgemäß schlecht ab, immerhin ist der
Value at Risk ja in der Tat korrekt geschätzt. Auch der Markow-Test verwirft H0
praktisch nie, da es keine Autokorrelation in den Daten gibt. Jarque Bera-Test
sowie Regressionsverfahren können ebenfalls nicht überzeugen, da hier die Form
der Daten vermutlich nicht ausreichend unterschiedlich zu einer Normalverteilung
ist. Am besten schneidet in der Tat der Kuiper-Test ab, der präzise erkennt, dass
die reale Verteilung unterschiedlich zur im Risikomodell angenommenen Verteilung
sein muss. Das Ergebnis wäre vermutlich jedoch weniger eindeutig, wenn nur der
Randbereich unterschiedlich und der Rest der Verteilung identisch mit der im
Risikomodell angenommenen Verteilung wäre.
Hier zeigen vor allem der gestutzte Gauss-Test sowie das Lugannani Rice-Verfahren
ihre Stärken, denn sie beinhalten nur die Value at Risk-Überschreitungen. Die
95
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
statistische Macht dieser beiden Verfahren ist im Test hervorragend, was ihre gute
Eigenschaft zur Expected Shortfall-Validierung bestätigt.
3.7. Zusammenfassung der
Simulationsergebnisse
Die Simulation gibt interessante Einblicke in Art und Häufigkeit von Ablehnungen
der verschiedenen Validierungskonzepte. Die folgenden Aussagen können selbstverständlich nur basierend auf den in der Simulation beinhalteten Konstellationen
getroffen werden.
Bei der Überprüfung, ob ein gegebener α-Fehler in einem korrekten Prognosemodell eingehalten wird zeigten manche Modelle bereits eklatante Schwächen. Speziell TUFF-, POF- und Markow-Verfahren zeigten in der Verteilung der Signifikanzniveaus deutliche Abweichungen von einer Gleichverteilung. Auch der Jarque
Bera-Test sowie der gestutzte Gauss-Test wiesen, wenngleich auch geringfügigere,
Abweichungen von den erwarteten α-Fehlern auf. Diese Abweichungen resultieren
jedoch nicht aus Fehlern in den mathematischen Modellen, sondern schlichtweg
aus der geringen Stichprobengröße. Im Versuch wurde jeweils mit einem realen
Zeitraum von 250 Perioden gearbeitet, was an die Erfordernisse der Praxis angelehnt ist. Simuliert man jeweils einen weitaus längeren Zeitraum, beispielsweise
100.000 Perioden, so zeigt sich bei ausnahmslos allen Verfahren eine nahezu perfekte Gleichverteilung der Signifikanzniveaus. Derartig lange Zeiträume können in
der Praxis selbstverständlich nicht umgesetzt werden. Diese erste Simulation liefert also bereits interessante Ergebnisse im Bezug auf die Praxistauglichkeit der
Verfahren unter realitätsnahen Anforderungen an die verfügbare Datenmenge.
In den drei folgenden Abschnitten (rollierende Varianz, exponentiell geglättete Varianz sowie GARCH-Modell) wurden die Ablehnungsraten falsch spezifizierter Risikomodelle überprüft. Erwartungsgemäß wies das TUFF-Verfahren durchschnittlich
die geringste statistische Macht auf. Auch Markow- sowie Jarque-Bera-Test können
durchschnittlich nicht überzeugen. Die besten Resultate liefert der Kuiper-Test.
Seine Ergebnisse sind zudem stets besser als die des Kolmogorov-Smirnov-Tests.
Da beide Verfahren auf eine bestimmte Verteilungsform testen sprechen die Ergebnisse dafür, dass der Kuiper-Test das geeignetere Verfahren hierfür ist. Ebenfalls
sehr gute Ergebnisse zeigt das Regressionsverfahren.
Eine Simulation konstanter Risikounterschätzung bestätigt im Wesentlichen die
Einschätzung der Testverfahren und zeigt speziell nochmals die Anfälligkeit des
Frankfurt School of Finance & Management
Working Paper No. 192
96
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Jarque-Bera-Tests unter bestimmten Testkonstellationen. Als Schlussfolgerung daraus ist zu beachten, dass der Jarque-Bera-Test ausschließlich ergänzend mit anderen Verfahren genutzt werden sollte - etwa in Verbindung mit dem Regressionsverfahren.
Eine abschließende Simulation, in welcher das Risikomodell zwar eine korrekte Einschätzung des Value at Risk, jedoch eine falsche Einschätzung des Expected Shortfall trifft, liefert interessante Resultate über diejenigen Testverfahren, die speziell
einen Teilbereich der Verteilung testen. Alle drei Validierungskonzepte (Gestutzt,
Gauss gestutzt, Lugannani Rice) weisen hierbei eine hervorragende statistische
Macht auf. Interessanterweise zeigt sich dabei der von uns im Rahmen dieser Arbeit eingeführte gestutzte Gauss-Test als bestes Verfahren mit geringfügig höheren
Ablehnungsraten als der reine gestutzte Test oder das Lugannani Rice-Verfahren.
Auch der Kuiper- sowie der Kolmogorov-Smirnov-Test zeigen eine sehr hohe statistische Macht in dieser Simulationskonstellation. Dies liegt jedoch vermutlich daran,
dass die zugrunde liegende T-Verteilung in ihrer Gesamtheit merklich von der genutzten Normalverteilung abweicht. Würde sie rechtsseitig des p-Quantils mit der
Normalverteilung stärker übereinstimmen, so würde die Macht des Kuiper- sowie des Kolmogorov-Smirnov-Verfahrens deutlich geringer ausfallen, wohingegen
die statistische Macht der drei anderen Verfahren (gestutzt, Gauss gestutzt, Lugannani Rice) nicht beeinflusst würde. Die letztgenannten Testverfahren sind also
tatsächlich sehr effektiv, um Abweichungen im linken Randbereich der Verteilung
festzustellen und dienen somit hervorragend zur Validierung des Expected Shortfall.
97
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
4. Fazit
Nach einer kurzen Einführung in relevante statistische Verfahren sowie eine einleitende Erklärung zum Marktrisikomanagement im Allgemeinen betrachteten alle
gängigen Verfahren zur Validierung von Marktrisikomodellen.
Wir erläuterten zuerst Verfahren, welche die Güte eines Risikomodells anhand
Überschreitungen des Value at Risk beurteilen. TUFF, POF, das Ampelkonzept,
die MLF sowie der Markow-Test auf Unabhängigkeit zählen zu diesen Verfahren.
Weiterführend zur bisherigen Literatur zeigten wir dabei einige zusätzliche Aspekte
einiger Testverfahren auf. Beim TUFF-Verfahren fanden wir erhebliche Inkonsistenzen bei der statistischen Macht sowie bei der Einhaltung des α-Fehlers. Wir
zeigten ebenfalls, dass eine mangelnde Ablehnungsfähigkeit risikounterschätzender
Modelle erst später auftritt als bisher von Kupiec (1998) angenommen.
Vergleichend zu diesem Verfahren simulierten wir auch beim TUFF-Test α- und
β-Fehler und fanden heraus, dass es auch bei ersterem kleinere Abweichungen gibt,
letzterer sich jedoch wesentlich konstanter als beim POF-Verfahren entwickelt.
Die MLF modifizierten wir im Unterschied zur bisherigen Praxis um eine Korrektur
der Standardabweichung und berechneten kritische Werte für eine Normalverteilung.
Anschließend betrachteten wir Verfahren, die die gesamte Verteilung validieren.
Dazu zählt die Rosenblatt-Transformation und darauf basierend die Kuiper-Statistik
mit Worry Function und der Kolmogorov-Smirnov-Test mit Worry Function sowie,
basierend auf dem Wahrscheinlichkeitsintegral zur Normalverteilung, der JarqueBera-Test und eine Regression auf Mittelwert, Varianz und Autokorrelation.
Mit dem Kolmogorov-Smirnov-Test führten wir ein neues Verfahren ein, welches
sich jedoch im Bezug auf seine statistische Macht im Rahmen der getesteten Konstellationen später im Vergleich zur Kuiper-Statistik als geringfügig unterlegen
herausstellte. Zu beiden Verfahren simulierten wir mit einer großen Datenmenge
kritische Werte unter Einbeziehung der Worry Function.
Zuletzt erläuterten wir Verfahren, welche speziell für die Validierung des Expected
Shortfall von Interesse sind. Dazu zählt der gestutzte Likelihood-Quotienten-Test,
der Gauss-Test des Expected Shortfall bei gestutzter Verteilung sowie die Sattelpunktapproximation mittels Lugannani Rice-Formel. Beim Erstgenannten wichen
Frankfurt School of Finance & Management
Working Paper No. 192
98
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
wir von der bisherigen Literatur zum Thema ab, indem wir statt einer zensierten
Verteilung eine gestutzte Verteilung betrachteten und die entsprechenden Formeln
herleiteten. Mit dem Gauss-Test bei gestutzter Verteilung führten wir ein gänzlich
neues Verfahren ein.
Abschließend simulierten wir für alle angeführten Testverfahren die Signifikanzniveaus sowie die statistische Macht unter verschiedenen Konstellationen. Wir zeigten Probleme einiger Modelle bei der Einhaltung des α-Fehlers, die Aufschluss über
die Praxistauglichkeit der jeweiligen Verfahren bei realitätsnahen Datenmengen geben. Des Weiteren belegten wir, dass Verfahren, die nur auf Überschreitungen des
Value at Risk basieren, in der Tat eine recht geringe statistische Macht aufweisen.
Wir sahen, dass eine Validierung der gesamten Verteilung wesentlich erfolgreicher
war und führten ebenfalls aus, dass die Verfahren, die auf einem Teilbereich der
Verteilung basieren, extrem effizient bei der Ablehnung von Modellen mit falsch
spezifiziertem Expected Shortfall arbeiten.
Die Validierung von Marktrisikomodellen wird sicherlich weiterhin ein relevantes
Thema in der Forschung und in der Finanzindustrie bleiben. Welche der vorgestellten Modelle tatsächlich in der Praxis genutzt werden sollten obliegt der Entscheidung des Risikomanagements. Es empfiehlt sich in den meisten Fällen, mehrere
Verfahren zu kombinieren. Die Eigenschaften der Validierungsmodelle sollten dabei
abgewogen und individuell auf die Prioritäten sowie die Charakteristika des Portfolios abgestimmt werden. Die Resultate dieser Arbeit dürften eine Hilfe dabei sein,
konkrete Stärken und Schwächen der Modelle unter verschiedenen Konstellationen
einzuschätzen.
99
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Literaturverzeichnis
Berkowitz, Jeremy. 2001. “Testing Density Forecasts, With Applications to Risk
Management.” Journal of Business and Economic Statistics p. 465.
Campbell, Sean D. 2006/2007. “A review of backtesting and backtesting procedures.” The Journal of Risk p. 1.
Christoffersen, Peter. 2003. Elements of Financial Risk Management. Academic
Press.
Cremers, Heinz. 2011. “Risikomanagement.” Vorlesungsskript. SS 2011.
Crnkovic, Cedomir & Jordan Drachman. 1996. “Quality Control.” Risk 9:138–142.
DasGupta, Anirban. 2008. Asymptotic Theory of Statistics and Probability. Springer.
Dowd, Kevin. 2004. “A modified Berkowitz back-test.” Risk Magazine .
Goethe Universität. 2004. “Mathematisch-Statistische Verfahren des Risikomanagements.” Präsentation. SS 2004.
Jost, Julian, Thorsten Spree, Katarina Hapke, Fabian Mehmke & Niclas Huck.
2011. “Hypothesentests.”. Seminarbeit Quantitative Methoden der Ökonometrie.
Kupiec, Paul H. 1998. “Techniques for Verifying the Accuracy of Risk Measurement
Models.” Journal of Derivatives pp. 73–84.
Lopez, Jose A. 1998. Methods for Evaluating Value-at-Risk Estimates. Technical
report Federal Reserve Bank of New York.
Ruppert, David. 2010. Statistics and Data Analysis for Financial Engineering
(Springer Texts in Statistics). Springer.
Sanddorf-Köhle, Walter. 2011. “Zeitreihenanalyse Sommersemester 2011.” Vorlesungsskript. Foliensatz Nr. 6.
Schröder, Frank & Hermann Schulte-Mattler. 1997. “CD-Verfahren als Alternative
zum Baseler Backtesting.” Die Bank 7.
Frankfurt School of Finance & Management
Working Paper No. 192
100
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Suhov, Yuri & Mark Kelbert. 2005. Probability and Statistics by Example: Volume
1, Basic Probability and Statistics (v. 1). Cambridge University Press.
Supervisory framework for the use of “Backtesting“ in conjunction with the internal
models approach to market risk capital requirements. 1998. Technical report
Bank for International Settlements.
van der Vaart, A. W. 2000. Asymptotic Statistics (Cambridge Series in Statistical
and Probabilistic Mathematics). Cambridge University Press.
Wong, Woon K. 2008. “Backtesting trading risk of commercial banks using expected shortfall.” Journal of Banking and Finance 32:1404–1415.
101
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Nomenklatur
α
Risikowahrscheinlichkeit eines Hypothesentests. Je nach Zusammenhang auch
Parameter in einem APGARCH-Modell.
β
Fehler zweiter Art eines Hypothesentests. Je nach Zusammenhang auch Parameter in einem APGARCH-Modell.
χ2d
Chi-Quadrat-Verteilung mit Freiheitsgrad d
δ
Parameter in einem APGARCH-Modell
t
Residuum einer Regression
λ
Glättungsparameter bei exponentiell geglätteter Varianz
Λ (·) Teststatistik eines allgemeinen Likelihood-Quotienten-Tests
ln
Natürlicher Logarithmus
B (p) Bernoulliverteilung mit Parameter p.
B (T, p) Binomialverteilung mit Parametern T und p.
G (p) Geometrische Verteilung mit Parameter p.
N
Natürliche Zahlen
N (µ, σ) Eine Normalverteilung mit Erwartungswert µ und Varianz σ 2
N (µ, σ 2 , T ) Normalverteilung mit Parametern µ, σ 2 , die an der Stelle T gestutzt
ist.
R
Die reellen Zahlen
S
Menge aller Parameterkombinationen einer Simulation
U
Gleichverteilung auf dem Intervall (0, 1).
Frankfurt School of Finance & Management
Working Paper No. 192
102
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
O
Landau-Symbol
q
Spaltenvektor aller q-Werte, (q1 , . . . , qT )T .
T
Stutzungsstelle einer Verteilung.
Tij
Absolute Häufigkeit, in der auf eine Value at Risk-Überschreitung (i = 1)
bzw. einer Nicht-Überschreitung (i = 0) in einer Stichprobe eine Überschreitung (j = 1) oder eine Nicht-Überschreitung (j = 0) folgt.
µ
Erwartungswert
ω
Parameter in einem APGARCH-Modell
Ωt
Zustandsraum zum Zeitpunkt t
·
Mittelwert, z.B. wäre q der Mittelwert aller q1 , . . . , qT
Φ (·) Verteilungsfunktion einer Standardnormalverteilung
φ (·)
Dichtefunktion einer Standardnormalverteilung
Φ−1 (·) Inverse Verteilungsfunktion einer Standardnormalverteilung
Π
Transitionsmatrix eines Markow-Tests
π
Kreiszahl
πij
Elemente der Transitionsmatrix Π
ΠM L Maximum Likelihood-Schätzung einer Transitionsmatrix
ΠU
Transitionsmatrix unter Unabhängigkeit
P (·) Wahrscheinlichkeitsoperator
ρ
Korrelationskoeffizient / Autokorrelationsparameter bei einer linearen Regression
σ
Standardabweichung
σ2
Varianz
τ
Die Menge aller Möglichen Zeitindizes {1, . . . , T }.
103
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Θ
Θ0 ∪ Θ1
θ
Parametervektor
Θ0
Parameterraum einer parametrischen Nullhypothese
Θ1
Parameterraum einer parametrischen Alternativhypothese
Υ (·) Teststatistik des Gauss-Tests bei gestutzter Verteilung.
ϑ
Ein unbekannter Verteilungsparameter
b·
Empirische Schätzungen bestimmter Werte. Zum Beispiel µ
b, σ
b etc.
A
Ablehnungsbereich eines Hypothesentests
D
Kolmogorov-Smirnov-Teststatistik
Dw
Mit Worry Function gewichtete Kolmogorov-Smirnov-Statistik
E (·) Erwartungswert-Operator
ESt (p) Expected Shortfall zum Zeitpunkt t für Value at Risk-Vertrauenswahrscheinlichkeit
1 − p.
fX (x; Θ) Dichtefunktion der Variable X an der Stelle x mit Parametervektor θ.
Auch ohne X und θ geschrieben, sofern deren Bedeutungen aus dem Zusammenhang deutlich werden.
FX (x; θ) Verteilungsfunktion der Zufallsvariable X an der Stelle x. Auch ohne
X und θ geschrieben, sofern deren Bedeutungen aus dem Zusammenhang
deutlich werden.
H0
Nullhypothese
H1
Alternativhypothese
I
Summe der Überschreitungsfunktionen zu jedem Zeitpunkt in τ .
It
Value at Risk-Überschreitungsfunktion zum Zeitpunkt t.
JB
Jarque-Bera-Teststatistik
K
Kurtosis einer Verteilung beim Jarque-Bera-Test
Frankfurt School of Finance & Management
Working Paper No. 192
104
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
K (·) Kumulantenerzeugende Funktion
L (·) Likelihood-Funktion
M (·) Momentenerzeugende Funktion
N
Umfang einer Stichprobe
n (x) Anzahl aller Werte in einer Stichprobe z1 , . . . , zT , die kleiner als x sind.
p
Tatsächliche, unbekannte Wahrscheinlichkeit, dass der Value at Risk überschritten wird.
p∗
Modellwahrscheinlichkeit, mit der der Value at Risk annahmegemäß überschritten werden sollte.
Q
Kuiper-Statistik
Q∗
Zufallsvariable wie Q, jedoch nur definiert für Werte kleinergleich FQ−1 (p),
d.h. also Stutzung von Q.
Qt
Per Wahrscheinlichkeitsintegral transformierte Zufallsvariable Zt
Qw
Mit Worry Fuction gewichtete Kuiper-Statistik
rt
Diskrete Rendite zum Zeitpunkt t
S
Schiefe einer Verteilung beim Jarque-Bera-Test
T
Die Anzahl der beobachteten Zeitpunkte. Je nach Kontext auch Teststatistik
eines Hypothesentests.
T (x) Testfunktion eines Hypothesentests, wobei x ∈ Rn
T∗
Anzahl aller Realisationen von Q1 , . . . , QT , die kleinergleich FQ−1 (p) sind.
V ar (·) Varianz-Operator
V aRt (p) Value at Risk für den Zeitpunkt t mit Vertrauenswahrscheinlichkeit 1−p
W (x) Worry Function
X
105
Eine Zufallsvariable
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
Zt
Eine Zufallsvariable, die der Rosenblatt-Transformation der Zufallsvariable
t entspricht.
s
Vektor, der Werte einer Teststatistik zu verschiedenen Stichproben beinhaltet.
d
Unterschied der Dimensionen zwischen Θ und Θ0 .
G (·) Gütefunktion
gT (·) Ganzzahliger Teil einer Zahl.
ML
Maximum Likelihood
MLF Magnitude of Loss-Function
POF Proportion of Failure
TLA Traffic Light Approach, entspricht dem Ampelkonzept.
TUFF Time Until First Failure
Frankfurt School of Finance & Management
Working Paper No. 192
106
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
A. Anhang
A.1. Tabellen
α=0,1%
1%
2%
3%
4%
p =1% <1|852.31 1.88|610.51 3.02|536.86 4.11|493.52 5.16|462.64
2%
<1|424.26 1.23|303.96 1.78|267.33 2.32|245.77 2.83|230.4
3%
<1|281.57 1.05|201.78 1.38|177.48 1.73|163.18 2.06|152.99
4%
<1|210.22 <1|150.68 1.19|132.55 1.44|121.88 1.68|114.28
5%
<1|167.41 <1|120.03
1.08|105.6
1.27|97.1
1.46|91.05
6%
<1|138.86
<1|99.59
1.02|87.62
1.16|80.58
1.31|75.57
7%
<1|118.47
<1|84.98
<1|74.78
1.09|68.78
1.21|64.51
8%
<1|103.18
<1|74.03
<1|65.15
1.04|59.93
1.14|56.21
9%
<1|91.28
<1|65.51
<1|57.66
1.01|53.04
1.09|49.75
10%
<1|81.76
<1|58.69
<1|51.67
<1|47.53
1.05|44.59
11%
<1|73.97
<1|53.12
<1|46.76
<1|43.03
1.02|40.36
12%
<1|67.48
<1|48.47
<1|42.68
<1|39.27
1|36.84
13%
<1|61.98
<1|44.53
<1|39.22
<1|36.09
<1|33.86
14%
<1|57.27
<1|41.16
<1|36.25
<1|33.36
<1|31.3
15%
<1|53.18
<1|38.23
<1|33.68
<1|31
<1|29.09
16%
<1|49.61
<1|35.67
<1|31.43
<1|28.93
<1|27.15
17%
<1|46.45
<1|33.41
<1|29.44
<1|27.1
<1|25.44
18%
<1|43.65
<1|31.4
<1|27.67
<1|25.48
<1|23.91
19%
<1|41.14
<1|29.6
<1|26.09
<1|24.03
<1|22.55
20%
<1|38.88
<1|27.99
<1|24.67
<1|22.72
<1|21.33
Tabelle A.1.: TUFF-Test, kritische Werte für unterschiedliche p∗
∗
107
Frankfurt School of Finance & Management
Working Paper No. 192
Validierung von Konzepten zur Messung des Marktrisikos insbesondere des Value at Risk und des Expected Shortfall
α=5%
6%
7%
8%
9%
10%
p =1% 6.2|438.6 7.2|418.9 8.2|402.2 9.1|387.7 10.1|374.8 11|363.3
2%
3.3|218.4 3.8|208.6 4.3|200.3 4.8|193.1 5.3|186.7
5.7|181
3%
2.4|145.1 2.7|138.6
3|133
3.4|128.3
3.7|124
4|120.2
4%
1.9|108.4 2.2|103.5 2.4|99.4
2.6|95.8
2.9|92.7
3.1|89.8
5%
1.7|86.3
1.8|82.5
2|79.2
2.2|76.4
2.4|73.8
2.6|71.6
6%
1.5|71.7
1.6|68.5
1.8|65.7
1.9|63.4
2.1|61.3
2.2|59.4
7%
1.3|61.2
1.5|58.4
1.6|56.1
1.7|54.1
1.9|52.3
2|50.8
8%
1.3|53.3
1.4|50.9
1.5|48.9
1.6|47.2
1.7|45.6
1.8|44.2
9%
1.2|47.2
1.3|45.1
1.4|43.3
1.5|41.8
1.6|40.4
1.7|39.2
10%
1.1|42.3
1.2|40.4
1.3|38.8
1.4|37.4
1.5|36.2
1.5|35.1
11%
1.1|38.3
1.2|36.6
1.2|35.1
1.3|33.9
1.4|32.8
1.5|31.8
12%
1.1|34.9
1.1|33.4
1.2|32.1
1.2|30.9
1.3|29.9
1.4|29
13%
1|32.1
1.1|30.7
1.1|29.5
1.2|28.4
1.3|27.5
1.3|26.7
14%
1|29.7
1.1|28.4
1.1|27.3
1.2|26.3
1.2|25.5
1.3|24.7
15%
<1|27.6
1|26.4
1.1|25.3
1.1|24.5
1.2|23.7
1.2|22.9
16%
<1|25.8
1|24.6
1|23.7
1.1|22.8
1.1|22.1
1.2|21.4
17%
<1|24.1
1|23.1
1|22.2
1.1|21.4
1.1|20.7
1.2|20.1
18%
<1|22.7
<1|21.7
1|20.9
1|20.1
1.1|19.5
1.1|18.9
19%
<1|21.4
<1|20.5
1|19.7
1|19
1.1|18.4
1.1|17.8
20%
<1|20.2
<1|19.4
<1|18.6
1|17.9
1|17.4
1.1|16.9
Tabelle A.2.: Fortsetzung TUFF-Test, kritische Werte für unterschiedliche p∗
∗
Frankfurt School of Finance & Management
Working Paper No. 192
108
FRANKFURT SCHOOL / HFB – WORKING PAPER SERIES
No.
Author/Title
191.
Tinschert, Jonas / Cremers, Heinz
Fixed Income Strategies for Trading and for Asset Management
2012
190.
Schultz, André / Kozlov, Vladimir / Libman, Alexander
Roving Bandits in Action: Outside Option and Governmental Predation in Autocracies
2012
189.
Börner, René / Goeken, Matthias / Rabhi, Fethi
SOA Development and Service Identification – A Case Study on Method Use, Context and Success Factors
2012
188.
Mas, Ignacio / Klein, Michael
A Note on Macro-financial implications of mobile money schemes
2012
187.
Dietmar Harhoff, Elisabeth Müller, John Van Reenen
What are the Channels for Technology Sourcing? Panel Data Evidence from German Companies
n
Decarolis, Francesco/ Klein, Michael
Auctions that are too good to be true
2012
185.
Klein, Michael
Infrastructure Policy: Basic Design Options
2012
184.
Eaton, Sarah / Kostka, Genia
Does Cadre Turnover Help or Hinder China’s Green Rise? Evidence from Shanxi Province
2012
183.
Behley, Dustin / Leyer, Michael
Evaluating Concepts for Short-term Control in Financial Service Processes
2011
182.
Herrmann-Pillath, Carsten
Naturalizing Institutions: Evolutionary Principles and Application on the Case of Money
2011
181.
Herrmann-Pillath, Carsten
Making Sense of Institutional Change in China: The Cultural Dimension of Economic Growth and Modernization
2011
180.
Herrmann-Pillath, Carsten
Hayek 2.0: Grundlinien einer naturalistischen Theorie wirtschaftlicher Ordnungen
2011
179.
Braun, Daniel / Allgeier, Burkhard / Cremres, Heinz
Ratingverfahren: Diskriminanzanalyse versus Logistische Regression
2011
178.
Kostka, Genia / Moslener, Ulf / Andreas, Jan G.
Barriers to Energy Efficency Improvement: Empirical Evidence from Small- and-Medium-Sized Enterprises in China
2011
177.
Löchel, Horst / Xiang Li, Helena
Understanding the High Profitability of Chinese Banks
2011
176.
Herrmann-Pillath, Carsten
Neuroökonomik, Institutionen und verteilte Kognition: Empirische Grundlagen eines nicht-reduktionistischen naturalistischen Forschungsprogramms in den Wirtschaftswissenschaften
2011
175.
Libman, Alexander/ Mendelski, Martin
History Matters, but How? An Example of Ottoman and Habsburg Legacies and Judicial Performance in Romania
2011
174.
Kostka, Genia
Environmental Protection Bureau Leadership at the Provincial Level in China: Examining Diverging Career Backgrounds and Appointment Patterns
2011
173.
Durst, Susanne / Leyer, Michael
Bedürfnisse von Existenzgründern in der Gründungsphase
2011
172.
Klein, Michael
Enrichment with Growth
2011
171.
Yu, Xiaofan
A Spatial Interpretation of the Persistency of China’s Provincial Inequality
2011
170.
Leyer, Michael
Stand der Literatur zur operativen Steuerung von Dienstleistungsprozessen
2011
169.
Libman, Alexander / Schultz, André
Tax Return as a Political Statement
2011
168.
Kostka, Genia / Shin, Kyoung
Energy Service Companies in China: The Role of Social Networks and Trust
2011
167.
Andriani, Pierpaolo / Herrmann-Pillath, Carsten
Performing Comparative Advantage: The Case of the Global Coffee Business
2011
166.
Klein, Michael / Mayer, Colin
Mobile Banking and Financial Inclusion: The Regulatory Lessons
2011
186.
Year
Frankfurt School of Finance & Management
Working Paper No. 192
2012
165.
Cremers, Heinz / Hewicker, Harald
Modellierung von Zinsstrukturkurven
2011
164.
Roßbach, Peter / Karlow, Denis
The Stability of Traditional Measures of Index Tracking Quality
2011
163.
Libman, Alexander / Herrmann-Pillath, Carsten / Yarav, Gaudav
Are Human Rights and Economic Well-Being Substitutes? Evidence from Migration Patterns across the Indian States
2011
162.
Herrmann-Pillath, Carsten / Andriani, Pierpaolo
Transactional Innovation and the De-commoditization of the Brazilian Coffee Trade
2011
161.
Christian Büchler, Marius Buxkaemper, Christoph Schalast, Gregor Wedell
Incentivierung des Managements bei Unternehmenskäufen/Buy-Outs mit Private Equity Investoren
– eine empirische Untersuchung –
2011
160.
Herrmann-Pillath, Carsten
Revisiting the Gaia Hypothesis: Maximum Entropy, Kauffman´s “Fourth Law” and Physiosemeiosis
2011
159.
Herrmann-Pillath, Carsten
A ‘Third Culture’ in Economics? An Essay on Smith, Confucius and the Rise of China
2011
158.
Boeing. Philipp / Sandner, Philipp
The Innovative Performance of China’s National Innovation System
2011
157.
Herrmann-Pillath, Carsten
Institutions, Distributed Cognition and Agency: Rule-following as Performative Action
2011
156.
Wagner, Charlotte
From Boom to Bust: How different has microfinance been from traditional banking?
2010
155.
Libman Alexander / Vinokurov, Evgeny
Is it really different? Patterns of Regionalisation in the Post-Soviet Central Asia
2010
154.
Libman, Alexander
Subnational Resource Curse: Do Economic or Political Institutions Matter?
2010
153.
Herrmann-Pillath, Carsten
Meaning and Function in the Theory of Consumer Choice: Dual Selves in Evolving Networks
2010
152.
Kostka, Genia / Hobbs, William
Embedded Interests and the Managerial Local State: Methanol Fuel-Switching in China
2010
151.
Kostka, Genia / Hobbs, William
Energy Efficiency in China: The Local Bundling of Interests and Policies
2010
150.
Umber, Marc P. / Grote, Michael H. / Frey, Rainer
Europe Integrates Less Than You Think. Evidence from the Market for Corporate Control in Europe and the US
2010
149.
Vogel, Ursula / Winkler, Adalbert
Foreign banks and financial stability in emerging markets: evidence from the global financial crisis
2010
148.
Libman, Alexander
Words or Deeds – What Matters? Experience of Decentralization in Russian Security Agencies
2010
147.
Kostka, Genia / Zhou, Jianghua
Chinese firms entering China's low-income market: Gaining competitive advantage by partnering governments
2010
146.
Herrmann-Pillath, Carsten
Rethinking Evolution, Entropy and Economics: A triadic conceptual framework for the Maximum Entropy Principle as
applied to the growth of knowledge
2010
145.
Heidorn, Thomas / Kahlert, Dennis
Implied Correlations of iTraxx Tranches during the Financial Crisis
2010
Fritz-Morgenthal, Sebastian G. / Hach, Sebastian T. / Schalast, Christoph
M&A im Bereich Erneuerbarer Energien
2010
Birkmeyer, Jörg / Heidorn, Thomas / Rogalski, André
Determinanten von Banken-Spreads während der Finanzmarktkrise
2010
142.
Bannier, Christina E. / Metz, Sabrina
Are SMEs large firms en miniature? Evidence from a growth analysis
2010
141.
Heidorn, Thomas / Kaiser, Dieter G. / Voinea, André
The Value-Added of Investable Hedge Fund Indices
2010
140.
Herrmann-Pillath, Carsten
The Evolutionary Approach to Entropy: Reconciling Georgescu-Roegen’s Natural Philosophy with the Maximum
Entropy Framework
144
143.
2010
139.
Heidorn, Thomas / Löw, Christian / Winker, Michael
Funktionsweise und Replikationstil europäischer Exchange Traded Funds auf Aktienindices
2010
138.
Libman, Alexander
Constitutions, Regulations, and Taxes: Contradictions of Different Aspects of Decentralization
2010
Frankfurt School of Finance & Management
Working Paper No. 192
137.
Herrmann-Pillath, Carsten / Libman, Alexander / Yu, Xiaofan
State and market integration in China: A spatial econometrics approach to ‘local protectionism’
2010
136.
Lang, Michael / Cremers, Heinz / Hentze, Rainald
Ratingmodell zur Quantifizierung des Ausfallrisikos von LBO-Finanzierungen
2010
135.
Bannier, Christina / Feess, Eberhard
When high-powered incentive contracts reduce performance: Choking under pressure as a screening device
2010
Herrmann-Pillath, Carsten
Entropy, Function and Evolution: Naturalizing Peircian Semiosis
2010
Bannier, Christina E. / Behr, Patrick / Güttler, Andre
Rating opaque borrowers: why are unsolicited ratings lower?
2009
134.
133.
132.
131.
130.
129.
Herrmann-Pillath, Carsten
Social Capital, Chinese Style: Individualism, Relational Collectivism and the Cultural Embeddedness of the Institutions-Performance Link
Schäffler, Christian / Schmaltz, Christian
Market Liquidity: An Introduction for Practitioners
2009
2009
Herrmann-Pillath, Carsten
Dimensionen des Wissens: Ein kognitiv-evolutionärer Ansatz auf der Grundlage von F.A. von Hayeks Theorie der
„Sensory Order“
2009
Hankir, Yassin / Rauch, Christian / Umber, Marc
It’s the Market Power, Stupid! – Stock Return Patterns in International Bank M&A
2009
Herrmann-Pillath, Carsten
Outline of a Darwinian Theory of Money
2009
127.
Cremers, Heinz / Walzner, Jens
Modellierung des Kreditrisikos im Portfoliofall
2009
126.
Cremers, Heinz / Walzner, Jens
Modellierung des Kreditrisikos im Einwertpapierfall
2009
125.
Heidorn, Thomas / Schmaltz, Christian
Interne Transferpreise für Liquidität
2009
124.
Bannier, Christina E. / Hirsch, Christian
The economic function of credit rating agencies - What does the watchlist tell us?
2009
Herrmann-Pillath, Carsten
A Neurolinguistic Approach to Performativity in Economics
2009
128.
123.
122.
121.
120.
119.
118.
Winkler, Adalbert / Vogel, Ursula
Finanzierungsstrukturen und makroökonomische Stabilität in den Ländern Südosteuropas, der Türkei und in den GUSStaaten
2009
Heidorn, Thomas / Rupprecht, Stephan
Einführung in das Kapitalstrukturmanagement bei Banken
2009
Rossbach, Peter
Die Rolle des Internets als Informationsbeschaffungsmedium in Banken
2009
Herrmann-Pillath, Carsten
Diversity Management und diversi-tätsbasiertes Controlling: Von der „Diversity Scorecard“ zur „Open Balanced
Scorecard
2009
Hölscher, Luise / Clasen, Sven
Erfolgsfaktoren von Private Equity Fonds
2009
Bannier, Christina E.
Is there a hold-up benefit in heterogeneous multiple bank financing?
2009
116.
Roßbach, Peter / Gießamer, Dirk
Ein eLearning-System zur Unterstützung der Wissensvermittlung von Web-Entwicklern in Sicherheitsthemen
2009
115.
Herrmann-Pillath, Carsten
Kulturelle Hybridisierung und Wirtschaftstransformation in China
2009
114.
Schalast, Christoph:
Staatsfonds – „neue“ Akteure an den Finanzmärkten?
2009
113.
Schalast, Christoph / Alram, Johannes
Konstruktion einer Anleihe mit hypothekarischer Besicherung
2009
Schalast, Christoph / Bolder, Markus / Radünz, Claus / Siepmann, Stephanie / Weber, Thorsten
Transaktionen und Servicing in der Finanzkrise: Berichte und Referate des Frankfurt School NPL Forums 2008
2009
Werner, Karl / Moormann, Jürgen
Efficiency and Profitability of European Banks – How Important Is Operational Efficiency?
2009
117.
112.
111.
Frankfurt School of Finance & Management
Working Paper No. 192
110.
Herrmann-Pillath, Carsten
Moralische Gefühle als Grundlage einer wohlstandschaffenden Wettbewerbsordnung:
Ein neuer Ansatz zur erforschung von Sozialkapital und seine Anwendung auf China
2009
109.
Heidorn, Thomas / Kaiser, Dieter G. / Roder, Christoph
Empirische Analyse der Drawdowns von Dach-Hedgefonds
2009
108.
Herrmann-Pillath, Carsten
Neuroeconomics, Naturalism and Language
2008
107.
Schalast, Christoph / Benita, Barten
Private Equity und Familienunternehmen – eine Untersuchung unter besonderer Berücksichtigung deutscher
Maschinen- und Anlagenbauunternehmen
2008
106.
Bannier, Christina E. / Grote, Michael H.
Equity Gap? – Which Equity Gap? On the Financing Structure of Germany’s Mittelstand
2008
105.
Herrmann-Pillath, Carsten
The Naturalistic Turn in Economics: Implications for the Theory of Finance
2008
104.
Schalast, Christoph (Hrgs.) / Schanz, Kay-Michael / Scholl, Wolfgang
Aktionärsschutz in der AG falsch verstanden? Die Leica-Entscheidung des LG Frankfurt am Main
2008
Bannier, Christina E./ Müsch, Stefan
Die Auswirkungen der Subprime-Krise auf den deutschen LBO-Markt für Small- und MidCaps
2008
Cremers, Heinz / Vetter, Michael
Das IRB-Modell des Kreditrisikos im Vergleich zum Modell einer logarithmisch normalverteilten Verlustfunktion
2008
Heidorn, Thomas / Pleißner, Mathias
Determinanten Europäischer CMBS Spreads. Ein empirisches Modell zur Bestimmung der Risikoaufschläge von
Commercial Mortgage-Backed Securities (CMBS)
2008
Schalast, Christoph (Hrsg.) / Schanz, Kay-Michael
Schaeffler KG/Continental AG im Lichte der CSX Corp.-Entscheidung des US District Court for the Southern District
of New York
2008
Hölscher, Luise / Haug, Michael / Schweinberger, Andreas
Analyse von Steueramnestiedaten
2008
Heimer, Thomas / Arend, Sebastian
The Genesis of the Black-Scholes Option Pricing Formula
2008
Heimer, Thomas / Hölscher, Luise / Werner, Matthias Ralf
Access to Finance and Venture Capital for Industrial SMEs
2008
96.
Böttger, Marc / Guthoff, Anja / Heidorn, Thomas
Loss Given Default Modelle zur Schätzung von Recovery Rates
2008
95.
Almer, Thomas / Heidorn, Thomas / Schmaltz, Christian
The Dynamics of Short- and Long-Term CDS-spreads of Banks
2008
94.
Barthel, Erich / Wollersheim, Jutta
Kulturunterschiede bei Mergers & Acquisitions: Entwicklung eines Konzeptes zur Durchführung einer Cultural Due
Diligence
2008
93.
Heidorn, Thomas / Kunze, Wolfgang / Schmaltz, Christian
Liquiditätsmodellierung von Kreditzusagen (Term Facilities and Revolver)
2008
92.
Burger, Andreas
Produktivität und Effizienz in Banken – Terminologie, Methoden und Status quo
2008
91.
Löchel, Horst / Pecher, Florian
The Strategic Value of Investments in Chinese Banks by Foreign Financial Insitutions
2008
90.
Schalast, Christoph / Morgenschweis, Bernd / Sprengetter, Hans Otto / Ockens, Klaas / Stachuletz, Rainer /
Safran, Robert
Der deutsche NPL Markt 2007: Aktuelle Entwicklungen, Verkauf und Bewertung – Berichte und Referate des NPL
Forums 2007
2008
89.
Schalast, Christoph / Stralkowski, Ingo
10 Jahre deutsche Buyouts
2008
88.
Bannier, Christina E./ Hirsch, Christian
The Economics of Rating Watchlists: Evidence from Rating Changes
2007
87.
Demidova-Menzel, Nadeshda / Heidorn, Thomas
Gold in the Investment Portfolio
2007
Hölscher, Luise / Rosenthal, Johannes
Leistungsmessung der Internen Revision
2007
Bannier, Christina / Hänsel, Dennis
Determinants of banks' engagement in loan securitization
2007
103.
102.
101.
100.
99.
98.
97.
86.
85.
Frankfurt School of Finance & Management
Working Paper No. 192
84.
Bannier, Christina
“Smoothing“ versus “Timeliness“ - Wann sind stabile Ratings optimal und welche Anforderungen sind an optimale
Berichtsregeln zu stellen?
2007
83.
Bannier, Christina E.
Heterogeneous Multiple Bank Financing: Does it Reduce Inefficient Credit-Renegotiation Incidences?
2007
82.
Cremers, Heinz / Löhr, Andreas
Deskription und Bewertung strukturierter Produkte unter besonderer Berücksichtigung verschiedener Marktszenarien
2007
81.
Demidova-Menzel, Nadeshda / Heidorn, Thomas
Commodities in Asset Management
2007
80.
Cremers, Heinz / Walzner, Jens
Risikosteuerung mit Kreditderivaten unter besonderer Berücksichtigung von Credit Default Swaps
2007
79.
Cremers, Heinz / Traughber, Patrick
Handlungsalternativen einer Genossenschaftsbank im Investmentprozess unter Berücksichtigung der Risikotragfähigkeit
2007
78.
Gerdesmeier, Dieter / Roffia, Barbara
Monetary Analysis: A VAR Perspective
2007
Heidorn, Thomas / Kaiser, Dieter G. / Muschiol, Andrea
Portfoliooptimierung mit Hedgefonds unter Berücksichtigung höherer Momente der Verteilung
2007
Jobe, Clemens J. / Ockens, Klaas / Safran, Robert / Schalast, Christoph
Work-Out und Servicing von notleidenden Krediten – Berichte und Referate des HfB-NPL Servicing Forums 2006
2006
Abrar, Kamyar / Schalast, Christoph
Fusionskontrolle in dynamischen Netzsektoren am Beispiel des Breitbandkabelsektors
2006
74.
Schalast, Christoph / Schanz, Kay-Michael
Wertpapierprospekte: Markteinführungspublizität nach EU-Prospektverordnung und Wertpapierprospektgesetz 2005
2006
73.
Dickler, Robert A. / Schalast, Christoph
Distressed Debt in Germany: What´s Next? Possible Innovative Exit Strategies
2006
72.
Belke, Ansgar / Polleit, Thorsten
How the ECB and the US Fed set interest rates
2006
71.
Heidorn, Thomas / Hoppe, Christian / Kaiser, Dieter G.
Heterogenität von Hedgefondsindizes
2006
Baumann, Stefan / Löchel, Horst
The Endogeneity Approach of the Theory of Optimum Currency Areas - What does it mean for ASEAN + 3?
2006
Heidorn, Thomas / Trautmann, Alexandra
Niederschlagsderivate
2005
Heidorn, Thomas / Hoppe, Christian / Kaiser, Dieter G.
Möglichkeiten der Strukturierung von Hedgefondsportfolios
2005
67.
Belke, Ansgar / Polleit, Thorsten
(How) Do Stock Market Returns React to Monetary Policy ? An ARDL Cointegration Analysis for Germany
2005
66.
Daynes, Christian / Schalast, Christoph
Aktuelle Rechtsfragen des Bank- und Kapitalmarktsrechts II: Distressed Debt - Investing in Deutschland
2005
65.
Gerdesmeier, Dieter / Polleit, Thorsten
Measures of excess liquidity
2005
64.
Becker, Gernot M. / Harding, Perham / Hölscher, Luise
Financing the Embedded Value of Life Insurance Portfolios
2005
77.
76.
75.
70.
69.
68.
63.
62.
61.
60.
59.
58.
57.
Schalast, Christoph
Modernisierung der Wasserwirtschaft im Spannungsfeld von Umweltschutz und Wettbewerb – Braucht Deutschland
eine Rechtsgrundlage für die Vergabe von Wasserversorgungskonzessionen? –
2005
Bayer, Marcus / Cremers, Heinz / Kluß, Norbert
Wertsicherungsstrategien für das Asset Management
2005
Löchel, Horst / Polleit, Thorsten
A case for money in the ECB monetary policy strategy
2005
Richard, Jörg / Schalast, Christoph / Schanz, Kay-Michael
Unternehmen im Prime Standard - „Staying Public“ oder „Going Private“? - Nutzenanalyse der Börsennotiz -
2004
Heun, Michael / Schlink, Torsten
Early Warning Systems of Financial Crises - Implementation of a currency crisis model for Uganda
2004
Heimer, Thomas / Köhler, Thomas
Auswirkungen des Basel II Akkords auf österreichische KMU
2004
Heidorn, Thomas / Meyer, Bernd / Pietrowiak, Alexander
Performanceeffekte nach Directors´Dealings in Deutschland, Italien und den Niederlanden
2004
Frankfurt School of Finance & Management
Working Paper No. 192
56.
Gerdesmeier, Dieter / Roffia, Barbara
The Relevance of real-time data in estimating reaction functions for the euro area
2004
55.
Barthel, Erich / Gierig, Rauno / Kühn, Ilmhart-Wolfram
Unterschiedliche Ansätze zur Messung des Humankapitals
2004
54.
Anders, Dietmar / Binder, Andreas / Hesdahl, Ralf / Schalast, Christoph / Thöne, Thomas
Aktuelle Rechtsfragen des Bank- und Kapitalmarktrechts I :
Non-Performing-Loans / Faule Kredite - Handel, Work-Out, Outsourcing und Securitisation
2004
53.
Polleit, Thorsten
The Slowdown in German Bank Lending – Revisited
2004
52.
Heidorn, Thomas / Siragusano, Tindaro
Die Anwendbarkeit der Behavioral Finance im Devisenmarkt
2004
Schütze, Daniel / Schalast, Christoph (Hrsg.)
Wider die Verschleuderung von Unternehmen durch Pfandversteigerung
2004
Gerhold, Mirko / Heidorn, Thomas
Investitionen und Emissionen von Convertible Bonds (Wandelanleihen)
2004
Chevalier, Pierre / Heidorn, Thomas / Krieger, Christian
Temperaturderivate zur strategischen Absicherung von Beschaffungs- und Absatzrisiken
2003
48.
Becker, Gernot M. / Seeger, Norbert
Internationale Cash Flow-Rechnungen aus Eigner- und Gläubigersicht
2003
47.
Boenkost, Wolfram / Schmidt, Wolfgang M.
Notes on convexity and quanto adjustments for interest rates and related options
2003
46.
Hess, Dieter
Determinants of the relative price impact of unanticipated Information in
U.S. macroeconomic releases
51.
50.
49.
2003
45.
Cremers, Heinz / Kluß, Norbert / König, Markus
Incentive Fees. Erfolgsabhängige Vergütungsmodelle deutscher Publikumsfonds
2003
44.
Heidorn, Thomas / König, Lars
Investitionen in Collateralized Debt Obligations
2003
43.
Kahlert, Holger / Seeger, Norbert
Bilanzierung von Unternehmenszusammenschlüssen nach US-GAAP
2003
42.
41.
Beiträge von Studierenden des Studiengangs BBA 012 unter Begleitung von Prof. Dr. Norbert Seeger
Rechnungslegung im Umbruch - HGB-Bilanzierung im Wettbewerb mit den internationalen
Standards nach IAS und US-GAAP
2003
Overbeck, Ludger / Schmidt, Wolfgang
Modeling Default Dependence with Threshold Models
2003
Balthasar, Daniel / Cremers, Heinz / Schmidt, Michael
Portfoliooptimierung mit Hedge Fonds unter besonderer Berücksichtigung der Risikokomponente
2002
Heidorn, Thomas / Kantwill, Jens
Eine empirische Analyse der Spreadunterschiede von Festsatzanleihen zu Floatern im Euroraum
und deren Zusammenhang zum Preis eines Credit Default Swaps
2002
Böttcher, Henner / Seeger, Norbert
Bilanzierung von Finanzderivaten nach HGB, EstG, IAS und US-GAAP
2003
Moormann, Jürgen
Terminologie und Glossar der Bankinformatik
2002
Heidorn, Thomas
Bewertung von Kreditprodukten und Credit Default Swaps
2001
35.
Heidorn, Thomas / Weier, Sven
Einführung in die fundamentale Aktienanalyse
2001
34.
Seeger, Norbert
International Accounting Standards (IAS)
2001
33.
Moormann, Jürgen / Stehling, Frank
Strategic Positioning of E-Commerce Business Models in the Portfolio of Corporate Banking
2001
32.
Sokolovsky, Zbynek / Strohhecker, Jürgen
Fit für den Euro, Simulationsbasierte Euro-Maßnahmenplanung für Dresdner-Bank-Geschäftsstellen
2001
Roßbach, Peter
Behavioral Finance - Eine Alternative zur vorherrschenden Kapitalmarkttheorie?
2001
Heidorn, Thomas / Jaster, Oliver / Willeitner, Ulrich
Event Risk Covenants
2001
40.
39.
38.
37.
36.
31.
30.
Frankfurt School of Finance & Management
Working Paper No. 192
29.
Biswas, Rita / Löchel, Horst
Recent Trends in U.S. and German Banking: Convergence or Divergence?
2001
28.
Eberle, Günter Georg / Löchel, Horst
Die Auswirkungen des Übergangs zum Kapitaldeckungsverfahren in der Rentenversicherung auf die Kapitalmärkte
2001
27.
Heidorn, Thomas / Klein, Hans-Dieter / Siebrecht, Frank
Economic Value Added zur Prognose der Performance europäischer Aktien
2000
Cremers, Heinz
Konvergenz der binomialen Optionspreismodelle gegen das Modell von Black/Scholes/Merton
2000
Löchel, Horst
Die ökonomischen Dimensionen der ‚New Economy‘
2000
Frank, Axel / Moormann, Jürgen
Grenzen des Outsourcing: Eine Exploration am Beispiel von Direktbanken
2000
23.
Heidorn, Thomas / Schmidt, Peter / Seiler, Stefan
Neue Möglichkeiten durch die Namensaktie
2000
22.
Böger, Andreas / Heidorn, Thomas / Graf Waldstein, Philipp
Hybrides Kernkapital für Kreditinstitute
2000
21.
Heidorn, Thomas
Entscheidungsorientierte Mindestmargenkalkulation
2000
20.
Wolf, Birgit
Die Eigenmittelkonzeption des § 10 KWG
2000
Cremers, Heinz / Robé, Sophie / Thiele, Dirk
Beta als Risikomaß - Eine Untersuchung am europäischen Aktienmarkt
2000
Cremers, Heinz
Optionspreisbestimmung
1999
Cremers, Heinz
Value at Risk-Konzepte für Marktrisiken
1999
16.
Chevalier, Pierre / Heidorn, Thomas / Rütze, Merle
Gründung einer deutschen Strombörse für Elektrizitätsderivate
1999
15.
Deister, Daniel / Ehrlicher, Sven / Heidorn, Thomas
CatBonds
1999
14.
Jochum, Eduard
Hoshin Kanri / Management by Policy (MbP)
1999
13.
Heidorn, Thomas
Kreditderivate
1999
Heidorn, Thomas
Kreditrisiko (CreditMetrics)
1999
Moormann, Jürgen
Terminologie und Glossar der Bankinformatik
1999
10.
Löchel, Horst
The EMU and the Theory of Optimum Currency Areas
1998
09.
Löchel, Horst
Die Geldpolitik im Währungsraum des Euro
1998
08.
Heidorn, Thomas / Hund, Jürgen
Die Umstellung auf die Stückaktie für deutsche Aktiengesellschaften
1998
07.
Moormann, Jürgen
Stand und Perspektiven der Informationsverarbeitung in Banken
1998
Heidorn, Thomas / Schmidt, Wolfgang
LIBOR in Arrears
1998
05.
Jahresbericht 1997
1998
04.
Ecker, Thomas / Moormann, Jürgen
Die Bank als Betreiberin einer elektronischen Shopping-Mall
1997
03.
Jahresbericht 1996
1997
02.
Cremers, Heinz / Schwarz, Willi
Interpolation of Discount Factors
1996
Moormann, Jürgen
Lean Reporting und Führungsinformationssysteme bei deutschen Finanzdienstleistern
1995
26.
25.
24.
19.
18.
17.
12.
11.
06.
01.
Frankfurt School of Finance & Management
Working Paper No. 192
FRANKFURT SCHOOL / HFB – WORKING PAPER SERIES
CENTRE FOR PRACTICAL QUANTITATIVE FINANCE
No.
Author/Title
Year
33.
Schmidt, Wolfgang
Das Geschäft mit Derivaten und strukturierten Produkten: Welche Rolle spielt die Bank?
2012
32.
Hübsch, Arnd / Walther, Ursula
The impact of network inhomogeneities on contagion and system stability
2012
31.
Scholz, Peter
Size Matters! How Position Sizing Determines Risk and Return of Technical Timing Strategies
2012
30.
Detering, Nils / Zhou, Qixiang / Wystup, Uwe
Volatilität als Investment. Diversifikationseigenschaften von Volatilitätsstrategien
2012
29.
Scholz, Peter / Walther, Ursula
The Trend is not Your Friend! Why Empirical Timing Success is Determined by the Underlying’s Price Characteristics
and Market Efficiency is Irrelevant
2011
28.
Beyna, Ingo / Wystup, Uwe
Characteristic Functions in the Cheyette Interest Rate Model
2011
27.
Detering, Nils / Weber, Andreas / Wystup, Uwe
Return distributions of equity-linked retirement plans
2010
26.
Veiga, Carlos / Wystup, Uwe
Ratings of Structured Products and Issuers’ Commitments
2010
25.
Beyna, Ingo / Wystup, Uwe
On the Calibration of the Cheyette. Interest Rate Model
2010
24.
Scholz, Peter / Walther, Ursula
Investment Certificates under German Taxation. Benefit or Burden for Structured Products’ Performance
2010
23.
Esquível, Manuel L. / Veiga, Carlos / Wystup, Uwe
Unifying Exotic Option Closed Formulas
2010
22.
Packham, Natalie / Schlögl, Lutz / Schmidt, Wolfgang M.
Credit gap risk in a first passage time model with jumps
2009
Packham, Natalie / Schlögl, Lutz / Schmidt, Wolfgang M.
Credit dynamics in a first passage time model with jumps
2009
Reiswich, Dimitri / Wystup, Uwe
FX Volatility Smile Construction
2009
Reiswich, Dimitri / Tompkins, Robert
Potential PCA Interpretation Problems for Volatility Smile Dynamics
2009
18.
Keller-Ressel, Martin / Kilin, Fiodar
Forward-Start Options in the Barndorff-Nielsen-Shephard Model
2008
17.
Griebsch, Susanne / Wystup, Uwe
On the Valuation of Fader and Discrete Barrier Options in Heston’s Stochastic Volatility Model
2008
16.
Veiga, Carlos / Wystup, Uwe
Closed Formula for Options with Discrete Dividends and its Derivatives
2008
15.
Packham, Natalie / Schmidt, Wolfgang
Latin hypercube sampling with dependence and applications in finance
2008
Hakala, Jürgen / Wystup, Uwe
FX Basket Options
2008
21.
20.
19.
14.
13.
12.
11.
10.
Weber, Andreas / Wystup, Uwe
Vergleich von Anlagestrategien bei Riesterrenten ohne Berücksichtigung von Gebühren. Eine Simulationsstudie zur
Verteilung der Renditen
2008
Weber, Andreas / Wystup, Uwe
Riesterrente im Vergleich. Eine Simulationsstudie zur Verteilung der Renditen
2008
Wystup, Uwe
Vanna-Volga Pricing
2008
Wystup, Uwe
Foreign Exchange Quanto Options
2008
Frankfurt School of Finance & Management
Working Paper No. 192
09.
Wystup, Uwe
Foreign Exchange Symmetries
2008
08.
Becker, Christoph / Wystup, Uwe
Was kostet eine Garantie? Ein statistischer Vergleich der Rendite von langfristigen Anlagen
2008
07.
Schmidt, Wolfgang
Default Swaps and Hedging Credit Baskets
2007
Kilin, Fiodar
Accelerating the Calibration of Stochastic Volatility Models
2007
Griebsch, Susanne/ Kühn, Christoph / Wystup, Uwe
Instalment Options: A Closed-Form Solution and the Limiting Case
2007
Boenkost, Wolfram / Schmidt, Wolfgang M.
Interest Rate Convexity and the Volatility Smile
2006
03.
Becker, Christoph/ Wystup, Uwe
On the Cost of Delayed Currency Fixing Announcements
2005
02.
Boenkost, Wolfram / Schmidt, Wolfgang M.
Cross currency swap valuation
2004
01.
Wallner, Christian / Wystup, Uwe
Efficient Computation of Option Price Sensitivities for Options of American Style
2004
06.
05.
04.
HFB – SONDERARBEITSBERICHTE DER HFB - BUSINESS SCHOOL OF FINANCE & MANAGEMENT
No.
Author/Title
Year
01.
Nicole Kahmer / Jürgen Moormann
Studie zur Ausrichtung von Banken an Kundenprozessen am Beispiel des Internet
(Preis: € 120,--)
2003
Printed edition: € 25.00 + € 2.50 shipping
Download:
Working Paper: http://www.frankfurtschool.de/content/de/research/publications/list_of_publication/list_of_publication
CPQF: http://www.frankfurt-school.de/content/de/cpqf/research_publications.html
Order address / contact
Frankfurt School of Finance & Management
Sonnemannstr. 9 – 11  D – 60314 Frankfurt/M.  Germany
Phone: +49 (0) 69 154 008 – 734  Fax: +49 (0) 69 154 008 – 728
eMail: [email protected]
Further information about Frankfurt School of Finance & Management
may be obtained at: http://www.fs.de
Frankfurt School of Finance & Management
Working Paper No. 192